随着煤矿智能化、信息化的建设,指针式仪表的数据监测功能起到了非常重要的作用,对煤矿安全高效的生产具有重大意义。目前,在矿井中指针式仪表的识别主要靠煤矿工人观察并记录,为了提高仪表识别的准确性、实时性、快速性,本文针对煤矿中指针式仪表的智能识别进行了研究。主要的研究内容如下:首先,针对传统目标检测算法不能同时检测多种类别的目标、运算时间长、鲁棒性差,因此本文采用了基于深度学习的Mask R-CNN检测算法对图像中的指针式仪表进行了识别与提取,并搭建了Mask R-CNN网络模型,制作了相应的数据集。然后对模型进行了训练和测试,仿真实验结果表明,Mask R-CNN检测算法能够迅速准确的检测和提取各种不同类型的指针式仪表。其次,对指针式仪表图像进行图像预处理和仪表的特征提取。采用了图像灰度化、图像滤波、图像二值化和图像形态学处理,从而得到了清晰的表盘信息。采用了梯度霍夫变换算法来检测圆形仪表的表盘和圆心。针对非圆形仪表刻度区的圆弧特征,采用了梯度算子来强化与刻度线正交方向的信息来识别圆弧。然后,采用三点共圆弧的方式来确定圆心,从而定位仪表指针的旋转中心。最后,仪表指针的拟合及仪表示数的判定。通过径向灰度算法,拟合出指针直线并定位指针所在的位置。然后,应用角度判读法实现了仪表示数的读取。选取了25MPa的压力表和400A的电流表进行了测试,实验结果表明:压力表的绝对误差在0.2MPa以下,电流表的绝对误差在5A以下,引用误差都小于2%。结果表明,本系统在实际应用中可以准确的识别指针式仪表的示数。