指针式仪表因其良好的稳定性和耐用性,在石油化工、军事航天、电力等强电磁的复杂环境中具有数显式仪表不可替代的地位。工业环境中的仪表巡检大多依靠人工,这种方式不仅耗费大量的人力资源成本,而且易受环境影响、工作效率低。因此,提高仪表巡检智能化水平具有重要研究价值和广阔应用前景。为解决工业场景中的指针式仪表巡检读数问题,开展了深度学习技术与图像处理技术相结合的指针式仪表识别与读数方法研究。主要研究内容如下:1)针对复杂工业背景中仪表的可靠识别问题,基于yolov3初始模型设计一种改进的仪表目标检测算法。首先对仪表数据集扩充,采用k-means++算法聚类出适合仪表数据集的初始锚框以提升检测速度;然后在yolov3骨干网络中加入双通道注意力机制和残差块以提升检测及分类准确度。实验结果表明,三类仪表在数据集上训练测试的平均精度达到90.8%,相比原始yolov3提升了约2.1%。2)针对指针式仪表盘内的量程识别问题,提出一种基于yolov4模型改进的量程数字检测与识别算法。通过在主干网络部分引出一个较大的特征图,并经路径聚合网络融合后增加一个检测头以提高数字小目标检测的准确度。集成深度可分离卷积,减少模型计算量,从而提高检测速度。基于数字相对位置关系实现数值合并。3)采用瞄准和读数两步法实现示值读取,在瞄准环节,经图像预处理、粗提取、细提取、细化、直线拟合等步骤提取到指针。在读数环节,提出用量程数字、图像中心和指针直线的三者位置关系确定指针偏转角度,进而确定读数。实验结果表明,读数相对误差在5%以内。图69幅;表5个;参67篇。