针对指针式仪表的小目标图像分割特点以及现有方法存在的局限性，提出融合空间细节与语义特征的双边路深度学习主干网络BiUnet，用于指针式仪表图像分割。该网络以BiSeNet V2算法作为出发点，重新设计其语义支路、细节支路以及双边融合层。首先，利用ConvNeXt卷积模块对细节支路进行调整和优化，提升算法对指针及刻度线边界细节的特征提取能力；其次，结合编码器-解码器U型结构能够融合不同尺度语义信息的优势对语义支路进行重新设计，提高语义支路对指针和刻度这类小目标的分割能力；最后，提出双引导拼接聚合层，用于更好地融合细节支路和语义支路特征。在自制仪表图像分割数据集上的消融实验证实了所提出的网络设计方案的有效性和可行性。在仪表数据集上与不同主干网络进行对比实验，实验结果表明，BiUnet对仪表的平均分割精度mIoU（mean intersection of union）达到了88.66%，相比于BiSeNet V2网络的80.02%提升8.64个百分点，并且这两种网络的分割精度均优于基于Transformer和纯卷积的常见主干网络。

针对指针式仪表图像特点及现有读数识别方法存在的局限，提出了一种基于轻量级图像语义分割模型的读数全自动识别方法。首先，以轻量级语义分割网络CGNet为基础进行改进，通过增加通道注意力模块SENet进行特征增强和融合，同时适当加深分类层，从而预测更准确的刻度线、指针、量程数字等语义信息；接着，根据刻度线语义分割结果拟合椭圆，建立与标准圆的透视变换关系校正倾斜畸变的图像；然后，在校正图像中通过极坐标变换、图像细化、垂直投影等后处理操作精确提取刻度线、指针，并通过optical character recognition技术识别量程数字；最后，根据刻度线与指针相对位置关系及量程信息确定仪表读数。为验证该方法的有效性，构建了指针式仪表图像数据集。实验结果表明，该方法在图像语义分割精度上与现有轻量化方法相比有较大提升，对测试集图像读数识别的平均相对误差约为0.63%，可满足实际应用需求。

目前巡检机器人在变电站室外巡检复杂环境下存在指针式仪表识别准确低的问题,提出了一种基于灰度级动态调整和Blackhat-Otsu算法的指针式仪表识别方法。针对雾天环境,提出了基于灰度级动态调整的Retinex去雾算法,对不同浓度的含雾图像进行了处理,提高了图像的对比度和清晰度,与其他去雾方法相比,所得图像的信息熵分别提升了1.1 dB~2 dB,均方误差(MSE)降低了700~800。在ResNet网络去雨模型中,引入快速引导滤波层以去除图像上的雨纹,峰值信噪比(PSNR)和结构相似性(SSIM)均有提升。为了提高指针读数的准确度,提出了Blackhat-Otsu指针分离法,避免了指针阴影及表盘刻度的干扰。实验结果表明,所提方法对变电站雨雾环境具有良好的鲁棒性,提升了仪表检测与读数识别的准确性。

为解决指针式仪表自动识别系统中, 光照不均匀、精确度不高等问题, 提出一种Otsu算法和改进的Hough算法对仪表图像进行处理。首先预处理仪表图像, 增强仪表指针区域特征, Otsu算法进行图像二值化, 分割出仅属于指针的像素; 再进行改进的Hough变换检测指针, 通过快速提取表盘指针连通区域的中心像素点, 结合表盘圆心约束, 对提取过的像素点进行双阈值Hough变换直线检测。实验结果表明, 提出的算法识别仪表读数最大相对误差为4.76%左右, 满足系统精确度要求。

针对仪表识别系统背景复杂, 对小目标不敏感, 检测精度低等问题, 本文提出一种特征融合金字塔(FPN）和Faster R-CNN网络结合的仪表自动识别方法。首先使用FPN和Faster R-CNN网络的RPN结合定位表盘和指针区域, 并对多类仪表进行分类; 此外为了平衡仪表图像的正负样本, 提高检测准确性, 引入Focal Loss损失函数与RPN网络结合进行训练数据集; 其次对指针区域进行基于FPN的图像分割, 将FPN网络与反卷积结合, 提高指针区域分割准确性; 最后拟合指针获取指针偏转角度, 得到仪表读数。实验结果表明, 提出的方法准确率达到94.25%, 与传统算法相比, 提出的方法不仅检测精度高, 而且实用性更强。

提出了一种基于检测和验证相结合的指针综合提取方案，目的是实现特种车辆指针式仪表图像识别的自动识别和自动矫正。该方案优化利用了 Hough变换法、极坐标中心投影以及边缘点集合的最小二乘法等算法，使得指针的自动提取无论针对何种品质的图像都非常准确。经验证，采用该方法进行特种车辆仪表指针提取，准确度达到 99%以上。

针对指针式仪表的判读和计量校准，本文提出了一种新颖实用的基于数字图像处理技术的读数识别方法。首先对图像进行预处理，包括图像分割、图像滤波及膨胀细化等步骤，其中采用了一种改进的自适应中值滤波方法来改善图像效果；然后用改进的、双阈值的霍夫变换提取出图像特征信息，创新性地利用仪表表盘刻度与角度的线性关系得到指针读数，并且对于指针与整刻度线重合的情况进行了后期校正。实验结果表明，该方法对于指针角度识别十分有效，且具有较高的精度和实时性，有很强的实际应用价值。