工业仪表在军事、航空航天、工业等领域中被广泛应用,特别是在变电站等高温、高压、高辐射的恶劣环境中。按照计数方式分类,工业仪表可分为指针式仪表和数字式仪表。然而,目前大量的工业仪表需要人工参与记录读数。人工记录带来的工作强度大、人力成本高、即时性差、效率低、误差高等缺点,已不能满足现代工业生产和发展的需求。另外,由于仪表种类繁多,人工长时间重复性的工作容易产生视觉疲劳,难免会出现误判。所以,迫切需要研究一种智能化的工业仪表读数识别算法。工业仪表图像在自然场景中可能存在光照不均匀、光照变化大、复杂背景、图像模糊、仪表倾斜、尺度变化、图像预处理繁琐等问题。本文针对以上问题,提出了一种基于深度学习的工业仪表读数识别算法。为了减少自然环境对仪表读数识别带来的影响,本文基于Mask-RCNN实例分割网络、主成分分析算法(Principal Component Analysis,PCA)、全卷积网络(Fully Convolutional Networks,FCN)和KMeans聚类等机器学习和深度学习算法,提出了一种指针和数字式的多块、多种、多类型仪表同时读数识别算法。本文算法使得仪表的定位精度和读数识别准确率有了较大的提升。本文的主要研究内容如下:(1)提出了一种基于Mask-RCNN的指针式仪表读数识别算法。Mask-RCNN实例分割网络主要完成仪表分类、仪表定位、仪表盘分割和指针分割等任务。为了提高仪表盘和指针的实例分割精度,本文提出了一种基于双线性差值改进MaskRCNN的方法。为了解决仪表图像可能出现畸变、倾斜的问题,这里提出了一种基于不规则椭圆的透视变换校正算法,进一步提高了指针式仪表的读数识别精度。实验结果表明,改进后的Mask-RCNN的目标定位精度提高了2%~3%,实例分割精度提高了1%~2%。另外,以人工读数值作为实验中的真值,指针式仪表读数的平均相对误差降低到2.35%,平均引用误差仅为0.1708%。(2)提出了一种基于全卷积网络的数字式仪表读数识别算法。该算法利用全卷积网络中语义分割的概念,实现了数字式仪表盘、数显区域、数字字符的定位和识别。该算法解决了传统数字式仪表读数识别过程中容易受字符区域定位和字符分割效果的影响的问题,并且大大提高了数字式仪表读数识别的准确率和可靠性。(3)提出了一种指针和数字式仪表同时读数识别算法。通过在指针式仪表和数字式仪表两种读数识别算法的基础上加入遍历枚举多仪表机制,实现了指针和数字式仪表同时读数识别。最后,本文算法成功地应用于变电站巡检机器人项目中。实验结果表明,本文算法相较于传统算法具有更高的读数准确率、更强的普适性和泛化能力。