基于OpenVINO部署的工业表计读数监测产业实践范例全流程详解

电力能源厂区需要定期监测表计读数，以保证设备正常运行及厂区安全。但厂区分布分散，人工巡检耗时长，无法实时监测表计，且部分工作环境危险导致人工巡检无法触达。针对上述问题，希望先通过摄像头拍照，然后对图像进行智能读数的方式高效地完成此任务。

小伙伴肯定好奇，如何才能快速上手这么经典的深度学习产业应用呢？本次飞桨产业实践范例库联合 OpenVINO 开源表计读数的产业应用方案，提供了模型在Intel平台上优化到部署的完整方案，降低产业落地门槛，适用于电力、能源行业的各种应用场景。

⭐项目链接⭐

https://aistudio.baidu.com/aistudio/projectdetail/3975848?contributionType=1

图1：工业读表

【场景难点】

巡检机器人识别方案容易产生盲区，不利于精确识别；
一对一的摄像头部署成本较高，且灵活性不足；
针对不同规格的表计，如何提升模型的复用性和扩展性；
基于 GPU 的 AI 算法部署成本高，嵌入式芯片的开发复杂度高，算法集成难。

【方案设计】

为实现智能读数，我们采取目标检测、语义分割、读数后处理的方案。

图2：方案设计

第一步：使用目标检测模型定位出图像中的表计；
第二步：使用语义分割模型将各表计的指针和刻度分割出来；
第三步：根据指针的相对位置和预知的量程计算出各表计的读数。

本项目中采用精度和预测性能皆优的 PP-YOLO 模型进行表计检测。考虑到指针和刻度均为细小区域，我们采用精度更优的 DeepLabV3P 进行指针和刻度的分割。我们会基于飞桨目标检测套件 PaddleDetection 与飞桨图像分割套件 PaddleSeg 工具套件进行模型训练。在落地阶段使用 Intel OpenVINO 推理框架进行模型部署，充分发挥通用 x86 平台上的网络执行效能，优化方案整体成本，同时通过传统CV算法的应用，进一步提升方案的灵活性与复用性。

【模型优化策略和效果】

支持 Dynamic Input Shape 以提升方案在识别多个表计时的推理性能，在保证推理时延的同时，优化方案整体成本。检测和分割后的效果如图3所示。

图3：检测和分割后的效果

【模型部署】

本项目的最终部署环境为 Intel x86 平台设备。考虑开发便捷性，本次示例使用 python 部署开发环境。通过高清 IP 摄像头拍摄表计得到 RGB 图片，并通过交换设备将图像数据送入 Intel 平台进行视觉分析。该方案可以同时检测识别到多个表盘，并进行读数识别。在飞桨 AI Studio一站式开发平台中也提供了完整的使用示例与开发说明，可参考该教程快速学习，并针对实际项目进行开发和集成。

图4: 部署 Demo 方案

【范例使用工具介绍】

OpenVINO 作为 Intel 原生的深度学习推理框架，可以最大化的提升人工智能神经网络在 Intel 平台上的执行性能，实现一次编写，任意部署的开发体验。近期，OpenVINO 也发布了最新版本2022.1，该版本已实现直接支持飞桨模型，大大提升了模型在 Intel 异构硬件上的推理性能，带来更高的生产效率，更广阔的兼容性以及推理性能的优化。

PaddleDetection 提供了开源 SOTA 的基础检测、跟踪与关键点检测算法，同时还提供了各类垂类的预训练模型，供大家直接在业务场景上使用，比如刚刚提到的行人、车辆的跟踪等等。

PaddleSeg 是基于飞桨开发的端到端图像分割开发套件，涵盖了高精度和轻量级等不同方向的大量高质量分割模型。通过模块化的设计，提供了配置化驱动和 API 调用两种应用方式，帮助开发者更便捷地完成从训练到部署的全流程图像分割应用。

飞桨产业实践范例助力企业跨越 AI 落地鸿沟

飞桨产业实践范例，致力于加速 AI 在产业落地的前进路径，减少理论技术与产业应用的差距。范例来源于产业真实业务场景，通过完整的代码实现，提供从数据准备到模型部署的方案过程解析，堪称产业落地的“自动导航”。

真实产业场景：与实际具有 AI 应用的企业合作共建，选取企业高频需求的 AI 应用场景如智慧城市-安全帽检测、智能制造-表计读数等；
完整代码实现：提供可一键运行的代码，在“AI Studio 一站式开发平台”上使用免费算力一键 Notebook 运行；
详细过程解析：深度解析从数据准备和处理、模型选择、模型优化和部署的 AI 落地全流程，共享可复用的模型调参和优化经验；
直达项目落地：百度高工手把手教用户进行全流程代码实践，轻松直达项目 POC 阶段。