\u200E
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
发布日期:2022-06-22T04:04:17.000+0000 浏览量:70次


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,需要先通过摄像头拍照,然后对图像进行智能读数的方式高效地完成此任务。


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。


点击阅读原文GET项目链接

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


图1 工业读表


  • 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;

  • 表计规格多样,对模型的复用性和扩展性要求高;

  • 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中提供丰富的检测算法,无论你追求的是高精度、轻量化,还是场景预训练模型,都能以业界超高标准满足你的需求。同时还在目标检测的基础上,持续拓展了如人体关键点、目标跟踪、人体属性分析、行为识别等高阶任务功能,同时提供针对行业的场景工具,如行人分析PP-Human等,并且提供统一的使用方式及部署策略,让你不再需要进行模型转化、接口调整,更贴合工业大生产标准化、模块化的需求。


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。


精彩课程预告



为了让小伙伴们更便捷地应用范例教程,OpenVINO高级研发工程师杨亦诚将于 6月16日(周四)19:00 为大家深度解析从数据准备、方案设计到模型优化部署的开发全流程,手把手教大家进行代码实践。

扫码报名获取直播/视频回放链接
加入技术交流群


关注【飞桨PaddlePaddle】公众号

获取更多技术内容~