作为工业生产中的“眼睛”,工业仪表可以对设备的各项参数进行测量和显示,实时反映工厂运行状况,在维持工业生产安全稳定运行中发挥着不可替代的作用。然而,当前仍然存在很多传统的工业仪表没有通信接口,无法远程获取仪表数据,需要人工进行采集和录入。因此进行工业生产的仪表示数自动识别和数据采集尤为重要。本文的主要研究内容有:在煤矿变电站中,对巡检机器人收集的仪表图像进行了预处理。首先分析出采集的仪表图像存在着亮度不足和噪声严重的问题,会严重影响数据获取的准确率。论文对这些问题分别给出了解决方案:针对图像光照不足的情况采用了Retinex-Net卷积神经网络对暗光图像进行增强;针对仪表图像产生的噪声,采用了一种自适应中值滤波的方法对采集的图像进行滤波和细节增强。针对图像的目标检测问题,发现变电站实际环境中获取的图像背景中除了仪表,还存在许多类似圆形,数字字符,指针的物体,经测试传统目标检测算法很难精确检测到仪表。针对这种情况论文采取了改进的Mask-RCNN目标检测算法,经过实验可以快速定位目标,并能精确的将仪表图像提取出来,而且在复杂环境中依然可以保持较高的准确率。对变电站指针式仪表的自动识别方法进行了研究和改进。分析了传统仪表检测存在的不足:只能对同一种指针仪表进行读数,不具有普适性;对仪表图像质量要求高,否则不能保证检测的效率和精度。论文针对这两个问题给出了解决方案:首先对巡检机器人获取仪表图像过程中产生的倾斜,进行了透视变换,并对矫正后的图片进行了预处理,保证后续仪表检测的精度;针对指针仪表检测,采用了一种仪表指针和仪表刻度分别处理的仪表示数读取算法,提高了指针仪表检测的适用性,最后选取几款代表性的仪表进行实验,分析结果得出仪表数据读取的准确性可以满足实际需求。对于变电站中的采集到的数字仪表图像的自动识别方法做了研究和改进。数显式仪表数据读取主要有两部分难点:字符分割和字符识别。针对字符分割采用了一种垂直和水平像素投影相结合字符分割方法;针对字符识别,考虑到数显式仪表的数字字符存在差异,采用了一种基于Keras框架MNIST数据集字符自动识别算法,相比常规方法,达到了98%的识别准确率和识别效率,满足了变电站日常要求。