随着智能化与自动化的不断推进,工业仪表在各个领域均取得了广泛地应用,工业仪表检测与自动读数方法的研究也逐渐兴起。然而受限于工业现场环境的复杂性,传统的工业仪表检测与自动读数方法在光照变化、仪表图像畸变、多类别仪表并存等复杂环境下鲁棒性不高、适用范围较小,并且读数步骤也相对繁琐。针对以上问题,本文提出了一种基于深度学习的工业仪表检测与自动读数方法,通过深度学习在图像识别等领域的优越性能,使得该方法能够在复杂环境下仍具有较高的鲁棒性与普适性,且能够同时进行不同表型的仪表读数识别,并一定程度上简化读数步骤。本文主要研究内容如下:（1）针对于暗光、相似仪表、图像模糊等复杂情况干扰下工业仪表检测困难、传统检测方法鲁棒性不高等问题,提出了一种基于改进YOLOv4的工业仪表检测方法。首先在YOLOv4网络检测颈部引入CBAM注意力机制,使网络自适应地增强仪表检测中重要的通道域与空间域信息,然后将YOLOv4网络检测头部的分类与回归分支解耦合形成两组并行分支,使得分类分支与回归分支能够独立地提取适合对应任务的特征信息,从而提高网络学习能力。实验结果表明,改进YOLOv4网络训练收敛速度更快且仪表检测性能更强,mAP值从YOLOv4网络的98.41%提升至99.34%,提升了 0.93%,并且在相似仪表干扰、暗光、图像模糊等情况下仍能准确实现仪表定位与分类。（2）本文首先针对指针仪表倾斜、变形问题,引入SIFT-RANSAC算法实现指针仪表图像畸变校正,然后针对现有指针仪表自动读数方法在复杂环境下鲁棒性不高、适用范围小等问题,提出了一种基于改进DeepLabv3+的指针仪表自动读数方法,同时考虑到DeepLabv3+网络参数量大、识别速度慢等问题,将DeepLabv3+的主干网络替换为MobileNetv2 网络,从而实现指针区域与刻度区域的快速分割提取。实验验证,相比DeepLabv3+,MobileNet-DeepLabv3+网络的分割速度提升了约1倍,且网络的参数量缩小了约9/10,虽mIOU略有下降但并未对指针仪表读数精度产生较大影响。同时实验结果表明,本文提出的指针仪表自动读数方法在暗光、模糊、反光、畸变等复杂环境下同样能够取得较优的读数精度,并且能够进行不同表型指针仪表的读数识别,本文方法的平均相对误差为2.13%,平均引用误差仅为0.46%。（3）针对传统数字仪表自动读数方法步骤繁琐、鲁棒性不高等问题,本文提出了一种基于深度学习的数字仪表自动读数方法,首先将数字显示区域定位看作旋转框目标检测任务,在CenterNet网络中增加角度回归分支实现数字显示区域的精确定位以及倾斜角度的回归,然后利用倾斜角度直接实现数字显示区域倾斜校正并裁剪数字字符图像,最后利用CRNN网络实现数字字符的端到端识别。实验结果表明,本文方法在仪表倾斜、反光、暗光等复杂环境下仍能准确定位数字显示区域并正确识别读数,其读数识别平均准确率达到93.0%,平均执行时长为47.6ms,能够有效地实现数字仪表自动读数。