仪表是变电站中重要的设备,它是变电站各种参数数据的来源,是数据测量、监控的重要工具。然而,当前变电站仍然需要大量人工进行仪表数据采集,这种采集方式不仅耗费大量人力物力,并且部分变电站仪表工作环境恶劣,无法进行人工读数。为解决上述问题,论文对基于机器视觉的变电站仪表自动识别技术进行研究。目前,相关研究主要围绕着仪表轮廓提取和指针检测展开,以传统图像处理方法为主,而刻度识别依赖于预先在模板上标定的信息。当巡检机器人采集图像位置或云台偏转角度出现偏差时,透视失真可能导致较大误差,目前已投入应用的变电站仪表自动读数系统仍然一定程度依赖人工标注,仍需要大量人力。为了更加精准、自动地识别指针式仪表的读数,论文基于深度学习技术对仪表自动读数技术进行深入研究。针对现场采集的仪表图像存在角度倾斜与模糊等问题,论文将仪表自动读数过程主要分成仪表表盘检测、表盘配准、指针检测三个步骤,并通过对基准图进行标定来辅助指针与刻度定位。为解决仪表倾斜与模糊问题,论文分析了目前主流的图像匹配方法的设计思路,包括传统的SIFT特征匹配方法、基于卷积神经网络的图像匹配方法Hard Net和D2-Net,并结合实验分析了这些图像匹配方法在表盘配准任务中的表现,实验表明,D2-Net在表盘配准实际任务中的表现最佳。论文改进了D2-Net网络的关键点检测部分算法,将特征响应的局部占比之和作为关键点的得分,并使用窗口的方式检测稀疏的关键点,使其更适合在表盘配准任务中应用,提高配准成功率的同时降低了计算耗时。论文对基于Faster R-CNN网络的表盘检测算法进行分析,在自制的表盘检测数据集中m AP达到了92.7%,并设计了表盘检测与表盘配准结合的网络DM-Net,将表盘配准网络与表盘检测网络的特征提取部分参数共享,使单个网络模型能完成表盘检测与表盘配准两个任务。通过这种方式,网络降低了计算的冗余,进一步降低了耗时。论文基于对基准图的标定和鲁棒的表盘检测与配准算法,提出了一种将极坐标变换与小目标检测网络YOLOv3结合的指针检测算法,排除了表盘中大部分区域的干扰,解决了传统指针检测算法对表盘图像质量要求较高的问题,提升了指针检测算法的稳定性。最终,论文基于视频监控系统实现了变电站仪表自动读数。