随着天然气工业的快速发展,作为天然气采输作业中关键的中转站,集气站的正常运作尤为重要。集气站中的大量仪表时刻监控并显示着集气站作业的运行情况,而人工统计仪表数据尤为繁琐,且耗时耗力,效率低下。同时集气站位置偏远,环境恶劣,天然气本身属于危险气体,人工巡检存在安全风险,所以集气站巡检机器人的研究势在必行。本文以集气站巡检机器人为载体,集气站中的指针式仪表和数字仪表为研究对象,研究可用于集气站环境下的基于机器视觉的仪表读数算法。本文的主要研究内容如下:（1）研究可用于集气站巡检机器人的暗光仪表图像增强算法。集气站地处野外空旷环境,机器人早晚巡检时成像光线不足,容易受到天气情况影响导致拍摄的暗光照片无法识别。针对此问题,本文研究基于Retinex理论的暗光图像增强算法。分别实现MSRCR和MSRCP两种算法,并对比两种算法在不同暗光程度下的仪表图像增强效果和算法效率。最后引入基于Retinex理论的Retinex Net卷积神经网络,采集并制作集气站暗光仪表图像对比数据集,训练网络后与MSRCR和MSRCP比较,结果显示Retinex Net在色彩还原度高和细节保留好的情况下,大幅提高增强图像的速度,更适用于实际集气站环境下对暗光仪表图像进行增强,为下一步仪表检测和读数打下基础。（2）针对传统SIFT特征点匹配算法在集气站复杂背景环境下无法准确定位表盘的问题,本文研究基于改进YOLOv4神经网络的仪表盘检测算法。制作集气站仪表盘数据集并进行训练,通过引入K-means++算法调整先验框,提高识别准确率和速度,实验结果表明基于改进YOLOv4的目标检测算法在受到环境光线影响时和拍摄角度倾斜的情况下均能快速检测出仪表盘所在位置。同时集气站中部分仪表位置特殊,巡检机器人拍摄的照片存在表盘角度倾斜的情况,针对此问题,给出了一套仪表图片倾斜矫正算法流程。首先通过ORB算法提取仪表特征点,采用暴力匹配算法匹配模板图和倾斜图上的特征点,最后使用RANSAC算法筛选特征点后通过透视变换算法对倾斜进行矫正。（3）给出一套适用于集气站环境的指针仪表读数算法流程。通过对比不同滤波算法对表盘图像的去噪效果,验证双边滤波算法在去除噪声的同时保留表盘刻度区域的清晰度;对表盘图像二值化处理后,使用霍夫变换初步检测表盘轮廓,去除圆外噪声干扰;然后进行连通域检测,根据刻度区域和指针的特征识别位置,对指针区域进行细化后检测指针方向;最后通过角度法结合已知量程计算仪表显示数值。使用集气站中实际拍摄的仪表照片进行测试,实验结果显示该算法流程可以快速准确的识别仪表示数。（4）设计一套可用于集气站数字仪表的基于Le Net-5神经网络的读数算法流程。首先将数字仪表图像转换到HSV颜色空间,根据颜色特征分割数字区域;然后使用基于Canny算子的边缘检测算法识别数字轮廓;最后对比SVM算法和基于Le Net-5的神经网络算法对数字分类的效果,使用集气站的数字仪表图片进行实验,结果显示基于Le Net-5的算法识别准确率更高,识别速度更快,可以应用于集气站实时数字仪表识别。