基于改进YOLOv8的指针式仪表读数识别算法

针对现有深度学习的仪表读数识别算法在边缘设备上存在资源消耗较大和传统图像处理算法在复杂场景下鲁棒性不足、误差累积以及难以实现端到端指针提取等问题,提出了一种轻量化改进的 YOLOv8 模型实现仪表检测,并采用 YOLOv8-pose 关键点模型提取仪表盘关键点,拟合指针与刻度线结合角度法计算仪表读数.首先,设计轻量级的 RGELAN 模块替代 C2f 模块,降低骨干和颈部网络复杂度;其次,将考虑多尺度特征贡献的 CASC-Head 检测头替代解耦头,减少检测头参数量;最后,引入 Shape-IoU 优化回归损失函数,提升检测准确性.实验结果表明:改进后的模型 YOLOv8-RSS 在 P 和 mAP@50:95 上分别为 98.5%和 90.6%,相较于原始 YOLOv8 的 P 和mAP@50:95 仅损失了 0.3%和 0.4%,但参数量、计算量和模型大小分别减少了 48.3%,44.4%和 46%;在复杂场景下,仪表读数阶段算法的平均相对误差、平均引用误差、参数量和检测速度分别为 1.425%,0.557%,3.08M 和78 帧/s,与其他算法相比,该算法降低了空间占用和读数误差,提升了检测速度.