彭昆福 ，王子磊 ，王 磊 ，顾 杨

(1 中国科学技术大学 信息科学技术学院，安徽 合肥 230027；2.国网安徽省电力有限公司检修分公司，安徽 合肥 231131)

0 引言

随着数字化、智能化的普及，大部分工业场景都采用数字仪表，但是对于电力行业，指针仪表由于其稳定性、抗干扰性优势，仍广泛应用于我国的电力实际监控中[1]。但大部分指针仪表的读取仍依靠人工进行，要求工作人员到现场进行数据记录，费时费力、容易出错。因此，指针仪表读数自动识别技术的研究具有重要意义[2]。

关于指针仪表自动识别的研究早期已经出现，这些工作[3-6]主要基于传统计算机视觉技术。参照人工仪表读数的原理，传统方法大致由仪表检测、仪表分类、仪表校正、预处理、指针检测、刻度检测、读数计算几个步骤组成，但由于采用表征能力比较弱的人工图像描述方法，同时又依赖比较强的先验信息，因此对图像质量要求较高，在复杂条件下的识别性能不尽人意。

当前，深度学习因其强大的表征能力已经开始应用于指针仪表自动识别领域。文献[7]较早采用Faster R-CNN 进行仪表检测，然后通过自适应阈值分割、连通域分析和中心投影来检测指针和刻度，最终根据指针与刻度之间的角度计算读数。在此基础上，文献[8]对Faster R-CNN 结构进行针对性优化，并融入表盘镜面反射消除方法，从而提升模型的鲁棒性。与此类似，文献[9]利用9 层卷积神经网络进行仪表检测，然后利用椭圆变换进行仪表校正，接着利用Hough 变换检测指针；……