基于优化DBNet-CRNN的端子标识检测识别算法研究

来源：南京信息工程大学学报·自然科学版杂志2026年第2期北京时间：

作者：王景琦，陈煜琦，薛强，赵瑞清，王硕禾

单位：王景琦,石家庄铁道大学 电气与电子工程学院, 石家庄, 050043;石家庄铁道大学 河北省交通电力网智能融合技术与装备协同创新中心, 石家庄, 050043;石家庄铁道大学 河北省分布式能源应用技术创新中心, 石家庄, 050043,陈煜琦,石家庄铁道大学 电气与电子工程学院, 石家庄, 050043;石家庄铁道大学 河北省交通电力网智能融合技术与装备协同创新中心, 石家庄, 050043;石家庄铁道大学 河北省分布式能源应用技术创新中心, 石家庄, 050043,薛强,石家庄铁道大学 电气与电子工程学院, 石家庄, 050043;石家庄铁道大学 河北省交通电力网智能融合技术与装备协同创新中心, 石家庄, 050043;石家庄铁道大学 河北省分布式能源应用技术创新中心, 石家庄, 050043,赵瑞清,中国铁路北京局集团有限公司 石家庄供电段, 石家庄, 050041,王硕禾,石家庄铁道大学 电气与电子工程学院, 石家庄, 050043;石家庄铁道大学 河北省交通电力网智能融合技术与装备协同创新中心, 石家庄, 050043;石家庄铁道大学 河北省分布式能源应用技术创新中心, 石家庄, 050043

摘要：为提高变电所巡检工作效率,提出一种基于深度学习的变电所扭曲变形端子标识文本检测与识别方法.端子标识检测模型以DBNet为基本框架,将原有的ResNet主干网络替换为ConvNeXt V2,利用其现代化架构设计,显著提升模型的全局信息建模能力和对端子标识的特征提取能力.为进一步提升扭曲变形端子标识检测精度,引入高效多尺度注意力模块与可变形卷积网络,有效提升全局上下文信息捕捉能力,增强对不规则文本形状的鲁棒性,优化后端子标识检测模型的F1分数达97.4%,相较原模型提高18.9个百分点,且计算量仅提高2.9%.端子标识识别模型以卷积循环神经网络为基本框架,引入空间与通道卷积优化特征提取过程,显著减少冗余特征的同时降低计算负担.在序列建模部分,采用选择性状态空间网络Mamba替代原有的长短时记忆网络,其状态空间模型与选择性机制能够对序列数据动态建模,自适应关注序列中的重要部分,显著增强了长序列依赖关系的捕捉能力,优化后的端子标识识别模型识别准确率达98.2%,较原模型提高2.7个百分点.实验结果表明,该方法对变电所端子标识中存在的扭曲变形、弱光模糊等负面因素具有优异的检测精度与识别准确率.

关键词：变电所巡检;文本检测;文本识别;端子标识;DBNet;卷积循环神经网络

基金资助：国家自然科学基金(12072203);国能朔黄铁路发展有限责任公司科研课题(SHTL-24-32)