作为电力系统的核心枢纽,变电站的稳定运行对确保正常输配电具有重大意义。而定期监测变电站仪表示数,是及时发现设备异常情况并进行维护的有效手段。传统的人工到现场读取、记录仪表示数的方法效率低、成本高、危险系数大,已无法满足智能化变电站的发展需求。近年来,变电站智能巡检机器人凭借着安全、高效、成本低等优势受到了广泛关注,通过机器人上搭载的摄像头可获取大量仪表图像数据,用于后续研究分析。因此,本文在机器人采集的仪表图像数据的基础上,以变电站典型仪表油位表与气压表为主要研究对象,开展基于机器视觉的变电站仪表信息智能识别研究。仪表图像中除仪表目标外还包含复杂多样的变电站环境,若直接在原图上识别仪表示数工作量大、计算成本高、精度低。可通过先识别并提取图像中的仪表表盘目标,而后在表盘图像上进行示数识别加以解决。传统的目标识别方法依赖于手工设计的特征提取器,存在设计成本高、效率低的问题,且同一特征无法匹配多种类型的仪表,普适性差。对此,提出了一种基于深度学习的表盘目标识别方法,搭建了基于R-FCN的表盘目标识别模型,并构建了变电站仪表图像数据集进行训练与测试。实验结果表明,所提方法能够较准确地识别出不同场景下的油位表与气压表表盘,还能同时实现油位表与气压表的分类,为后续的分类整理打下基础。同时,针对油位表表盘目标误识别率高的问题,提出了油位表表盘目标填充的方法改善模型训练集,有效降低了油位表的误识别率。针对表盘图像特性,提出了一种基于图像处理技术的指针式仪表示数信息的智能识别方法。由于大多数表盘存在因拍照、安装角度、天气等原因引起的表盘形状畸变与光照分布不均问题,给仪表示数信息识别带来极大干扰。因此,研究了基于透视变换与同态滤波的表盘图像预处理方法,从而消除或改善了表盘畸变以及光照分布不均的问题。而后,通过Hough圆变换获取表盘圆心与半径,并以表盘圆心为旋转点提出了一种基于直线旋转法的指针拟合方法,从而求取指针的偏转角度信息,再结合角度法将偏转角度信息换算为仪表示数信息。实验结果表明,所提仪表示数信息智能识别方法能够较准确地识别油位表与气压表的示数信息,能够满足实际的精度要求。此外,部分表盘存在旋转畸变,将使得示数信息智能识别结果误差大于工程要求,针对这一问题本文研究了一种基于连通域标记的起始刻度校准方法,并通过实验验证了所提校准方法的有效性。综上所述,本文通过机器视觉、深度学习以及图像处理技术,研究了变电站仪表信息的智能识别技术,提出油位表与气压表的表盘识别与示数信息识别方法,为变电站的智能化发展提供了新的思路和方法。