随着深度学习和人工智能的不断发展,各行各业的相关应用也越来越多。目前,传统的监管工作逐步智能化,采用深度学习算法的巡检系统相继被开发出来,并能够对巡检人员和设备进行自动化监管。但是现有的系统往往存在以下不足。移动端由于自身运算和存储能力的限制,系统普遍运行在电脑端,电脑容易受到地点和使用场景的限制,使用起来不方便;OCR模型对巡检工作中仪表仪器图像进行文本检测时,容易将设备上的状态灯错误的检测成文本;YOLO算法预设Anchorbox需要随机选定k个中心点,受人为因素比较大。针对以上不足,本文主要针对OCR模型中文本检测相关算法进行了深入的研究,结合多目标检测算法确定了本文的OCR模型;针对现有的YOLO算法中的Anchor机制进行了深入研究,并结合K-Means++聚合算法和IOU距离进行了Anchor box预设尺寸和大小;设计实现了基于TensorFlow的Android平台智能监管系统。本文主要完成了以下几部分:(1)智能监管用到的关键技术,包括OCR模型和目标检测技术。通过分析OCR模型中的文本检测流程和本文图像中目标特点,使用多目标检测算法代替原有的OCR模型中的文本检测算法确定本文的OCR模型。该模型在检测文本的同时还检测本文图像中的其他信息,简化了现有检测多目标的系统流程。还分析了现有的目标检测算法,通过对比分析确定本文使用的目标检测算法YOLO。(2)针对YOLO算法中预先设置Anchor box尺寸和大小受人为因素的影响,使用K-Means++算法和IOU距离进行预先设置。优化后可以减少随机选取k个初始值带来的影响,加快算法的收敛,达到预期的效果。(3)根据巡检工作中对文本及其他目标识别等特点,设计并实现了基于TensorFlow的Android平台智能监管系统。该模块主要包含图像采集、预处理、信息识别和展示四个部分,并对其做了系统测试,证明了该系统的实用性和准确性。