该项目基于百度飞桨PPOCR，在Windows端实现电表检测模型部署。通过QT Disigner设计GUI界面，结合PyQt5实现可视化操作，利用调优后的检测和识别模型，对电表图片批量化检测识别，结果批量导出为表格。解决人工读数的重复劳动问题，虽存在识别速度较慢、准确率待提升等问题，但仍有实际意义，涉及GUI设计、模型替换等知识点。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
目前智能电表已经可以实现电表读数自动读取、自动上传等功能，但其应用还远未全面普及，考虑到更新换代需要的时间和资金成本，尤其在工业场景中，许多企业仍在大量使用传统电表，这使得电表读数仍然无法实现自动采集，人工读取电表读数暂时不可替代。
为了解决工人在电表读数读取、读数记录这一过程中重复机械劳动的痛点，项目结合当下人工智能中流行的OCR技术，应用百度飞桨的PaddleOCR文本识别工具套件，在 Windows 客户端实现可视化操作，对电表图片实现批量化检测、识别，检测结果批量化表格导出。
相比人工读取电表读数的重复机械操作，该项目一定程度上实现了读取读数、记录读数这一流程的自动化，减轻了工人的重复机械劳动，符合人工智能在工业领域应用落地产生的提升供给效率的意义。
使用 Anaconda 自带的 disigner.exe 设计一个GUI界面，生成 .ui 文件，通过一段 python 脚本将 .ui 文件转换成对应的 .py 文件，创建主程序文件 main.py，将 GUI 交互界面中获得的信息传递给主程序，由主程序完成核心的推理步骤（即电表检测识别部分），将推理结果放入一个 .csv 文件中并保存在本地电脑的指定地址。
项目文件夹 program_det_db 下各文件作用：
使用环境： Windows 10， Python 3.8， PaddlePaddle 2.3.0， paddleocr 2.5.0.3， PyQt5 5.15.4；
In [ ]
# 安装PaddlePaddle，PaddleOCR，PyQt5 !pip install PaddlePaddle !pip install paddleocr !pip install PyQt5
如果本地安装了 Anaconda，默认在 "./anaconda3/Library/bin/" 下，自带了 designer，可直接双击使用，如下图：
进入后，选择 "Widget" ，点击“创建”。
按照项目需求设计页面布局，拖动相应的图标到窗体中，共使用了3个标签，3个文本框，4个按钮，如图所示：
保存后，得到一个 .ui 文件，如图：
简小派
简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。
123
查看详情
进入 tool_ui2py.py 文件，将第10行的地址更改成本地的项目文件夹地址，运行后，实现对 caogao.ui 文件转换成 caogao.py 文件。
为方便后期修改，将 caogao.py 文件重新复制一份并命名为 window.py 文件；
创建主程序文件 main.py；
新建 类MySignals 用于定义信号；
新建 类Signals 用于交互界面信息的传递；
在 类Signals 中，分别定义 4个函数 onclick1(), onclick2(), onclick3(), onclick4() 用于实现可视化界面的4个按钮功能；
核心推理部分的代码位于函数 onclick1() 中，也即点击按钮“开始检测”要执行的部分；
两个注意的点：
主程序文件 main.py：
In [ ]
import sys import os import csv import time import window from PyQt5 import QtWidgets from PyQt5.QtWidgets import QApplication, QMainWindow from PyQt5.QtCore import pyqtSignal, QObject from paddleocr import PaddleOCR class MySignals(QObject): # 定义信号 signal_err_ocr = pyqtSignal(str) signal_xz1 = pyqtSignal(str) signal_xz2 = pyqtSignal(str) class Signals(QMainWindow, window.Ui_Form): def __init__(self): super().__init__() self.setupUi(self) self.init_ui() # 实例化 self.ms_signals_err_ocr = MySignals() self.ms_signals_xz1 = MySignals() self.ms_signals_xz2 = MySignals() # 连接信号 self.ms_signals_err_ocr.signal_err_ocr.connect(self.update_err_ocr) self.ms_signals_xz1.signal_xz1.connect(self.update_xz1) self.ms_signals_xz2.signal_xz2.connect(self.update_xz2) # 更新第三个文本框 def update_err_ocr(self, err): self.lineEdit_3.setText(err) # 更新第一个文本框 def update_xz1(self, txt): self.lineEdit.setText(txt.replace('/', '\')) # 更新第二个文本框 def update_xz2(self, txt): self.lineEdit_2.setText(txt.replace('/', '\')) def onclick1(self): # 输入地址 lineEdit = self.lineEdit.text() # 输出地址 lineEdit_2 = self.lineEdit_2.text() # 将图片文件夹内所有图片的名字、地址存储到两个列表中，方便后续使用 # 图片文件夹位置 readpath = lineEdit # 图片名 列表 list_picturename = os.listdir(readpath) # 图片地址 列表 list_picturedir = [] self.ms_signals_err_ocr.signal_err_ocr.emit("正在进行电表检测...") for picturename in list_picturename: list_picturedir.append(readpath + '/' + picturename) # 将准备好的电表检测模型 替换掉 PaddleOCR 中的原有模型 ocr = PaddleOCR(# use_pdserving=False, det_model_dir='C:/Users/guay_/exercise_/exercise_job_wanted/det_finetune/det_db', # 地址务必修改正确 # rec_model_dir='C:/Users/guay_/exercise_/exercise_job_wanted/rec_finetune/rec_crnn', det=True, cls=True, # use_gpu=gpu, # show_log=False, # box_thresh=0.1, # det_db_box_thresh=0.2, use_angle_cls=True, lang='en') # 电表读数 list_dbds = [] # 电表编号 list_dbbh = [] # 遍历每一张图片，运用模型进行推理 for picturedir in list_picturedir: temp = ocr.ocr(picturedir, cls=True) # 若未检测出，则赋值为'null' if not temp: list_dbds.append('null') list_dbbh.append('null') # 若只检测出电表读数 elif len(temp)==1: list_dbds.append(temp[0][1][0]) list_dbbh.append('null') else: list_dbds.append(temp[0][1][0]) list_dbbh.append(temp[1][1][0]) # 获取当前时间戳 time_stamp = time.strftime('%Y-%m-%d-%H-%M-%S', time.localtime(time.time())) # 创建文件夹如果不存在的话 s*epath = lineEdit_2 if not os.path.exists(s*epath): os.makedirs(s*epath) final_csv_path = s*epath + "/result_" + time_stamp + ".csv" # 将两个列表中的数据写入一个.csv文件中 with open(final_csv_path, "w", encoding="utf-8", newline='') as f: writer = csv.writer(f) writer.writerow(('图片名', '电表读数', '电表编号')) writer.writerows(zip(list_picturename, list_dbds, list_dbbh)) self.ms_signals_err_ocr.signal_err_ocr.emit("电表检测完成!") # 点击重置按钮 触发 的事件 ，使得两个文本框 为空 def onclick2(self): self.lineEdit.setText("") self.lineEdit_2.setText("") self.lineEdit_3.setText("") # 点击第一个按钮 选择文件夹 触发的事件 def onclick3(self, filepath): m = QtWidgets.QFileDialog.getExistingDirectory(None, "选取文件夹", "C:/") # 起始路径 self.ms_signals_xz1.signal_xz1.emit(m) # 点击第二个按钮 选择文件夹 触发 的事件 def onclick4(self, filepath): m = QtWidgets.QFileDialog.getExistingDirectory(None, "选取文件夹", "C:/") # 起始路径 self.ms_signals_xz2.signal_xz2.emit(m) def init_ui(self): window.Ui_Form.setupUi(self, self) self.lineEdit.setPlaceholderText("请输入图片文件夹全路径（例如：C:\images）") self.lineEdit.setText("请输入图片文件夹全路径（例如：C:\images）") self.lineEdit_2.setPlaceholderText("请输入csv文件夹全路径（例如：C:\desktop\csv）") self.lineEdit_2.setText("请输入csv文件夹全路径（例如：C:\desktop\csv）") # 开始检测按钮 self.pushButton_3.clicked.connect(self.onclick1) # 重置按钮 self.pushButton_4.cli
cked.connect(self.onclick2) # 第一个选择文件夹 按钮 self.pushButton.clicked.connect(self.onclick3) # 第二个选择文件夹 按钮 self.pushButton_2.clicked.connect(self.onclick4) if __name__ == '__main__': app = QApplication(sys.argv) window_ = Signals() window_.show() sys.exit(app.exec_())本地电脑安装好环境后，将program_det_db.rar下载到本地并解压，按照上节项目创建中所述将相关地址修改好；
执行主程序文件main.py，在GUI界面中选择待检测的电表图片所在文件夹，选择输出结果保存地址，点击“开始检测”按钮，待进度框提示“电表检测完成！”，进入输出结果保存地址查看电表检测结果。
这里放上项目效果视频的链接。 https://www.bilibili.com/video/BV1Kf4y1Z7b2/?vd_source=62f69eed24d8814d22b6e0f88d6f5ca9
检测完成后效果如下图所示，在保存路径下出现检测结果的 .csv 表格文件。
本项目侧重电表检测模型的 Windows 端部署实现，推理部分使用的是 项目：PPOCR：多类别电表读数识别 中已训练好的检测、识别模型，对于实现电表读数读取、记录这一流程的自动化，减轻工人的重复机械工作，还是很有意义的。
测试时使用200张电表图片，检测、识别耗时约145秒，从速度上看并不比人手工读取、记录快，但考虑到是自动化流程，能够减轻重复机械操作，因此仍然是有意义的。目前使用的仍是本地电脑的 CPU，可考虑适配 GPU；
可考虑增大训练数据集，即电表图片数量，继续训练模型。
以上就是【AI达人特训营】PPOCR：电表检测模型的Windows端部署实现的详细内容，更多请关注其它相关文章！
# 文本框
# 非正常网站推广
# 淮安如何做网站推广赚钱
# 推广种草网站怎么做的
# 营销推广优选云速捷十年
# 外贸网站建设优化推广
# 广州网站站建设培训
# 沈阳网站建设沈阳
# 网店产品营销推广方式
# 海口区品茶网站建设招标
# seo关键词排名优选火3星
# 文件转换成
# 第二个
# 第一个
# 一言
# 这一
# python
# 请输入
# 主程序
# 达人
# 中文网
# writer
# design
# designer
# red
# csv文件
# 百度
# ai
# 工具
# 电脑
# windows
相关栏目：
【
Google疑问12 】
【
Facebook疑问10 】
【
优化推广96088 】
【
技术知识133117 】
【
IDC资讯59369 】
【
网络运营7196 】
【
IT资讯61894 】
相关推荐：
南京制造的国产工业机器人：在外资品牌竞争中突围，年销售1.8万台
世界上第一个完全由人工智能驱动的图像编辑器！
ChatGPT只讲这25个笑话！实验上千次有90%重复，网友：幽默是人类最后的尊严
深度学习模型综述：用于3D MRI和CT扫描的应用
挤爆服务器，北大法律大模型ChatLaw火了：直接告诉你张三怎么判
美图公司：Wink国内首发AI画面拓展功能
一文看懂基础模型的定义和工作原理
无人机在电力巡检中的应用：全面解析高效巡检流程
构建数字文旅新高地！洛阳涧西区开启元宇宙时代
鸿蒙OS 4将实现AI大模型集成，余承东表示坚持AI辅助而非AI取代
人工智能如何帮助制造业？
人工智能改变网络安全和用户体验的三种方式
搭载星火认知大模型 讯飞听见智慧屏开启AI办公新体验
小艺主导智慧交互升级，借助AI大模型增强能力
GPT-4不能在麻省理工学院获得计算机科学学位
消息称苹果 iPhone 15 系列健康应用将深度融合 AI 技术
大模型新品出现井喷，AI产业迎来新时代
阿里云连续两年进入Gartner云AI开发者“挑战者象限”
财联社首档运用虚拟人技术播报栏目《AI半小时》今晚上线！敬请期待
AIGC 风潮刮到游戏产业，巨人网络与阿里云达成“游戏 +AI ”合作
微幼科技晨检机器人与人工晨检相比，有何优势
映宇宙集团执行总编辑：元宇宙还是要以人为媒介
特斯拉门店可能启动机器人卖车？也许不是你想的那样
小米又拿下国际比赛第一：AI翻译立功
Bing Chat 和 Bing Search 正式引入深色模式
导演郭帆：人工智能应用可能会影响《流浪地球 3》的创作开发
0代码微调大模型火了，只需5步，成本低至150块
电池比 Air 2S 大 20%，大疆 Air 3 无人机现身 FCC
Meta 人工智能业务落后竞争对手，研究人员大量离职成重要原因
“一般智力”与工艺学批判是认识AI的重要入口 | 社会科学报
“聚智启新，‘蓉’力同行” 成都市人工智能产业融通对接会成功举办
WHEE网页地址入口
如何获得元宇宙的第一个属于自己的空间
微软bing聊天推出AI购物工具 可进行比价并查看历史最低价
不到2S创作AI图像！Snap发布图像生成器SnapFusion
元宇宙迈入2.0时代，它和生成式人工智能有何关联吗？
构建人机交互创新模式，微美全息研究AIGC智能交互界面生成技术
苹果式 AI 哲学：不着一字，处处落子
“世界上最像人的机器人”接入 Stable Diffusion ，现场完成作画
DragGAN开源三天Star量23k，这又来一个DragDiffusion
Gartner发布中国企业人工智能趋势浪潮3.0
优化J*a与MySQL合作：分享批处理操作的技巧
实践J*a开发，构建高性能的MongoDB数据迁移工具
谷歌将使用公开信息训练 AI 模型，构建更强大的自家产品
AI行业盛会大咖云集！Sam Altam、“AI教父”......一文看懂最新观点
苹果AR头显商标与华为撞车，在中国或改名
海柔创新携手SAP，以机器人技术助力全球客户升级数智化竞争力
Bing 聊天机器人现支持在桌面端用语音提问
Meta将VR头显最低年龄限制从13岁降至10岁
360°/180°双模式，佳能公布可折叠小体积的VR全景相机
2025-07-29
运城市盐湖区信雨科技有限公司是一家深耕海外推广领域十年的专业服务商，作为谷歌推广与Facebook广告全球合作伙伴，聚焦外贸企业出海痛点，以数字化营销为核心，提供一站式海外营销解决方案。公司凭借十年行业沉淀与平台官方资源加持，打破传统外贸获客壁垒，助力企业高效开拓全球市场，成为中小企业出海的可靠合作伙伴。
cked.connect(self.onclick2) # 第一个选择文件夹 按钮 self.pushButton.clicked.connect(self.onclick3) # 第二个选择文件夹 按钮 self.pushButton_2.clicked.connect(self.onclick4) if __name__ == '__main__': app = QApplication(sys.argv) window_ = Signals() window_.show() sys.exit(app.exec_())