随着现代社会经济与科学技术的快速发展,计算机视觉被越来越广泛地应用到人脸识别、工业产品外观测量、产品分拣、工业仪表识别等领域,以用来取代传统的人眼视觉识别。它显著缩短了人眼视觉识别的时间,提高了工业生产与人们日常生产生活的效率。而在实际工业生产中,各式仪表诸如气压表、电力电表、噪声测量仪、平衡仪等都有一个共同的特点:这些仪表通常位于一些人工不能久呆的极端环境中,或者位于使用人工读表成本偏高的偏远地区。如果采用人工读表的方式,不仅工作效率低,而且成本会很高,同时还容易产生不可控的误差。因此采用计算机视觉代替人的肉眼的现实意义巨大。鉴于上述的形势情况,本论文主要完成计算机视觉在仪表识别中的应用与实现。本论文提出一种基于极限学习机的数字仪表识别的方法:论文首先通过数字图像处理技术对数字仪表图像进行图像预处理(采用加权均值法进行灰度化处理、采用角度修正的办法进行图像的倾斜校正、采用基于三维块匹配算法,即BM3D(Block-Matching 3D)算法的图像去噪方法和直方图均衡化对图像进行增强处理);进而根据数字仪表表盘的统计特征、几何特征、形态特征等对数字仪表表盘进行特征提取;根据数字仪表字符串的位置、长度与高度对感兴趣区域进行定位;然后对感兴趣区域的字符串进行图像分割,即将单个字符从字符串中分割出来;进而采用基于三层前馈神经网络的Softmax回归模型的方法和极限学习机的方法作为字符识别的训练分类算法,从而识别出仪表字符的读数。本论文中所取得的突破创新部分可归纳为以下三点:1.将基于BM3D的图像去噪的方法运用到本论文中,通过实验验证了通过这种方法处理的图像可以大幅度地减少噪声对图像的干扰,从而提升最终识别的准确率。2.设计出一种图像字符的感兴趣区域定位的方式:将字符串首位字符的某个角的顶点与仪表数字显示屏边缘某个角的顶点形成直角坐标系中的某个点与原点的位置关系,再通过单个字符的长度与宽度比,精确定位字符的位置以及其大小规格。3.分别采用基于三层前馈神经网络的Softmax回归模型的方法以及极限学习机ELM(Extreme Learning Machine)的方法作为识别方法,并且通过实验验证了ELM算法在图像处理和识别中的优势:ELM方法拥有比Softmax回归模型方法更高的识别正确率(Softmax回归模型方法:92.69%;ELM方法:99.07%)、更快的识别速度(Softmax回归模型方法:0.546s;ELM方法:0.0468s)。通过实验对识别算法进行测试,本论文所采用的识别算法能够准确有效地对数字仪表进行识别。