作为电力网络中的枢纽点,变电站对电力系统的稳定运行起着至关重要的作用。因此,工作人员需要随时监测变电站中的仪表读数,以便及时发现异常情况。由于变电站中大多数传统的仪表没有通信接口,所以需要人工获取仪表读数。人工读表存在成本高、效率低、识别错误率较高等缺点,迫切需要研究一套可用于变电站的智能识别仪表算法。本文围绕变电站中两类常见仪表——指针式和数显式,系统地研究仪表图像预处理、仪表表盘区域提取与表盘倾斜校正、仪表读数识别的方法。针对现有方法无法识别夜间图像、受表盘反光影响而无法提取表盘图像等问题,研究了一种基于机器视觉的变电站仪表读数智能识别方法。本文的主要研究内容有:(1)研究了针对暗光图像的图像预处理方法。在使用双边滤波算法对仪表图像进行去噪处理、Retinex算法增强图像中可测部分的基础上,将全卷积网络运用到变电站夜间巡检中,对拍摄到的仪表图像进行暗光图像预处理,可以有效地排除暗光环境对仪表识别的干扰。(2)研究了在复杂背景中提取仪表表盘区域的方法。通过对传统目标检测算法和基于深度学习的目标检测方法的对比分析,发现传统目标检测算法不能解决仪表表盘边缘反光的问题。因此,将YOLO算法应用到仪表表盘的检测中。不但可以准确地提取仪表表盘,且检测结果不受反光因素的影响。提取仪表表盘区域后,使用透视变换算法对得到的表盘图像进行倾斜校正,从而消除表盘形变。(3)研究了一种适用于变电站指针式仪表的智能识别方法。通过对仪表二值图像连通域及其拟合直线进行多次筛选,得到仪表表盘的圆心和半径,进而提取仪表指针和刻度区域。在此基础上,根据角度法读取仪表读数。通过指针式仪表识别实验,验证了该算法读取读数的准确性。(4)提出了一种适用于变电站数显式仪表的智能识别方法。通过分析现有数字字符识别方法,结合变电站数显仪表的特点,提出了一种改进的BP神经网络算法。在保证准确率的前提下加快数字字符的识别速度,减少识别所需的时间,保证了变电站巡检过程中读取仪表的实时性。最后,通过数显式仪表识别实验,验证了该算法的有效性。