我国电力行业发展迅速，电表作为测电设备经历了普通电表、预付费电表和智能电表三个阶段的发展。在产业场景中，表的种类多达十几种，过去依赖人工抄表，成本很高。如果能够采集到大量电表图片，借助人工智能技术批量检测和识别，将会大幅提升效率。
本次飞桨产业实践范例库开源电表读数识别场景应用，提供了从数据准备、技术方案、模型训练优化，到模型部署的全流程可复用方案，降低产业落地门槛。
⭐项目链接⭐
https://github.com/PaddlePaddle/awesome-DeepLearning
所有源码及教程均已开源，欢迎大家使用，star鼓励~
基于深度学习技术
实现电表读数识别
本场景要解决多类别电表识别任务，从技术上需要对多种类别的电表表数和表号进行检测再识别，从数据到模型面临着多重问题。
项目难点：
- 在数据方面，电表种类多、数据少、拍摄角度多样且部分数据反光严重。
- 如何从零标注电表数据，选择何种标注软件能够最快速度构建数据集？
- 技术路线的选择也面临多方面的问题，例如是通过文字检测来反向微调，还是通过目标检测从零训练？
本项目将一一解决这些难点。
项目方案：
基于上述难点，飞桨开发者技术专家不断进行尝试，最终选用了飞桨文字识别套件PaddleOCR中的PP-OCR模型进行了微调与优化，其检测部分基于DB的分割方法实现，直接解决了电表数据中的倾斜问题，通过再造数据集来扩充识别数据集，训练识别模型。PP-OCR模型经过大量实验，其泛化性也足以支撑复杂垂类场景下的效果。
在数据标注工具上，使用PPOCRLabel实现半自动标注，内嵌PP-OCR模型，一键实现机器自动标注，且具有便捷的修改体验。支持四点框、矩形框标注模式，导出格式可直接用于PaddleOCR训练，标注效率显著提升。
方案优化：
在优化方面，首先对PP-OCR模型的检测部分进行初步微调，然后通过对数据的进一步分析，发现原始图像分辨率较大，进而调整EastRandomCropData的尺寸，放大输入模型前的图像尺度。通过CopyPaste数据增强解决数据量小的问题，并且根据实际情况调小学习率。
项目效果：
最终在评测数据集上从原先的Hmeans=0.3优化到0.85。除此之外，本项目也尝试了一部分目标检测算法。具体的优化过程和详细解释，欢迎大家关注直播！
微调前后对比
部署方面使用飞桨原生推理库Paddle Inference完成，满足用户批量预测、数据安全性高、延迟低的需求，快速在本地完成部署方案。
