手表不仅可以用于显示时间,也能作为日常装饰品,美观便携。人们在购买手表时,主要从外观和性能两方面进行选择。其中,性能方面主要通过走时精度来衡量。目前,国内手表生产业主要依赖于人工对手表进行走时精度检测。因手表的检测量大、周期长,且易受检测者情绪影响,导致检测结果十分不稳定,时好时坏,不利于企业的批量生产,因此急需设计出一种自动化手表走时精度检测代替人工检测,利于检测精度的提高并适用于公司大规模生产。图像处理技术应用在指针仪表的自动读时领域,可以代替人工读时,节省人力成本,提高工作效率。但也存在着表盘定位不准,指针识别率低,抗干扰能力弱等问题。硬件的发展及人们对知识的探索,深度学习成为热门话题并不断被各个领域取得突破性成果。在目标检测领域,基于卷积神经网络的目标检测精度大大高于前文提到的传统图像处理技术检测精度。故本文对基于卷积神经网络的手表读时检测方法进行研究,主要工作内容包含以下几个方面:1.系统设计。硬件设计对获得清晰,易识别的手表图像及对后续的检测极其重要。根据手表尺寸、表盘底纹特点、检测精度等特征参数可以计算出需要的像素,镜头焦距及光源需求。软件设计包括指针读时方法研究,基于传统图像技术的指针手表读时实现与基于卷积神经网络读时的实现。2.基于传统图像处理技术实现指针手表自动读时。通过预处理,确定目标位置,目标分割及角度计算等几个步骤实现自动读时。对实验结果分析可知,传统图像处理技术可以实现自动读时检测,但也存在定位不准、识别率低,无法达到企业所需精度等问题。3.针对基于传统图像处理技术的指针手表读时检测存在的问题,本文提出用卷积神经网络算法实现指针手表自动读时。先对卷积神经网络的架构进行剖析,然后简单介绍了从RCNN(Region Convolutional Neural Network,卷积神经网络)到Mask RCNN(Mask Region Convolutional Neural Network,掩膜基于区域的卷积神经网络)一系列目标检测算法的发展历程,其中Mask RCNN算法实现了实例分割,对指针的识别具有积极意义。Mask RCNN算法通过对图像时针、分针、秒针、Logo四个类进行标注构建训练集,搭建并训练卷积神经网络,将测试集输入卷积网络得到指针和logo的识别结果,输出需要计算的坐标,找到logo中心点和表盘中心圆点,连接这两点得到中轴线,最后计算出指针与中轴线的夹角得到读时时间。通过实验证明,本文提出的基于卷积神经网络的指针手表识别读时方法能解决传统图像处理技术中存在的问题,对指针式手表自动读时的研究具有参考意义。