在工业生产中,为了设备运行安全与稳定,经常使用仪表监测设备运行情况。传统的仪表读取方式为人工读取,不仅误差高,效率低,人力成本高,而且当生产现场具有粉尘、辐射等因素时,对人工抄表也带来了很大阻碍。因此,对于自动读取工业仪表示数的研究具有重要意义。本文主要围绕工业仪表中常见的指针式仪表与数显式仪表进行自动化读数研究,系统地对工业自动化读数过程中涉及到的仪表检测、仪表倾斜校正、仪表盘预处理、字符检测、字符识别等算法进行了研究。在总结前人研究的基础上,本文使用结合深度学习的数字图像处理技术,提出了两种指针仪表读数方法和一种数字仪表读数方法,具体内容如下:1、设计了一种基于最小外接矩形的指针仪表读数方案。针对指针仪表所处背景复杂导致不易提取的特点,采用了粗检测再矫正的方案。首先,使用YOLOv3目标检测算法从复杂背景中提取指针表盘,然后使用Simple Pose特征点检测算法检测表盘中的刚性特征点,通过透视变换获得表盘的正视图。对于表盘正视图中存在干扰的问题,采用对比度增强,图像去噪,形态学处理等一系列预处理方式对指针仪表盘进行预处理。最后,提取指针的最小外接矩形,通过构造角度与读数之间的映射关系,完成指针仪表的自动化读数。实验结果表明所提方案在测试集上与人工读数相比较相对误差小于1.5%,算法识别精度较高,可以适用于指针仪表自动化识别。2、提出了一种基于改进PSPNet的指针仪表读数方法。对于指针仪表盘表面存在过多无效信息干扰的问题,采用了基于语义分割的方案。首先,对语义分割算法PSPNet进行结构上的改进,通过融合ECA注意力机制与联合金字塔上采样,提高语义分割精度。然后,使用改进后的PSPNet对指针仪表进行了语义分割,实验表明改进后的指针仪表分割平均准确率比PSPNet提高了1.91%。最后,对于指针表盘的语义分割图,通过坐标变换展开为矩形图,使用距离法完成指针仪表读数。实验结果表明,在测试集上与人工读数相比较相对误差均小于2.5%,具有一定的实用性。3、设计了一种基于深度学习的数字仪表识别方案。针对现有数字仪表识别方案预处理步骤复杂,过于依赖字符分割精度的问题。采用了一种基于文本行检测算法Pixellink与文本行识别算法CRNN的两阶段读数方法,避免了传统方法复杂的处理步骤,同时对复杂背景也起到了一定的抗干扰能力。实验结果表明,所提方案在变电站数字仪表上的读数识别准确率为99.3%,具有较强的鲁棒性。4、设计并开发了工业仪表读数识别原型系统。该系统包括指针仪表读数识别模块,数字仪表读数识别模块,具有一定的实用性。