一種基于視覺(jué)分析的指針式儀表智能抄讀方法

戴 威，陸小鋒，鐘寶燕，趙梓辰，劉學(xué)鋒

(1.上海大學(xué) 通信與信息工程學(xué)院，上海 200444；2.上海大學(xué) 計(jì)算機(jī)工程與科學(xué)學(xué)院，上海 200444)

0 引 言

電氣化工廠的電氣室中存在數(shù)量較大用于表征電氣設(shè)備工作狀態(tài)的指針式儀表，對(duì)這些儀表進(jìn)行識(shí)別和記錄需要耗費(fèi)較多的人力成本，并且由于人為因素可能會(huì)造成誤檢、漏檢的情況，電氣室設(shè)備發(fā)出的輻射對(duì)人體健康也會(huì)產(chǎn)生一定影響。如今，在人工智能領(lǐng)域的飛速發(fā)展時(shí)期，涌現(xiàn)出各種基于機(jī)器視覺(jué)的智能識(shí)別系統(tǒng)。其中，電氣室巡檢機(jī)器人通過(guò)機(jī)載相機(jī)對(duì)儀表進(jìn)行圖像采集并進(jìn)行相應(yīng)視覺(jué)分析得到檢測(cè)結(jié)果，實(shí)現(xiàn)了電氣室設(shè)備的智能化管理[1]。

基于指針定位的思想對(duì)指針儀表進(jìn)行識(shí)別是現(xiàn)今的主流方法[2-7],即通過(guò)檢測(cè)預(yù)處理后的圖像中的指針位置來(lái)確定讀數(shù)[8]。饒?jiān)碵2]通過(guò)對(duì)預(yù)處理后的二值化圖像進(jìn)行Hough變換直線檢測(cè)來(lái)分割指針，但不足之處在于易受表盤(pán)冗余字符區(qū)域干擾，導(dǎo)致識(shí)別結(jié)果出現(xiàn)偏差。檢測(cè)到指針后，再通過(guò)角度法或者距離法來(lái)識(shí)別讀數(shù)，對(duì)此張文杰等人[3]通過(guò)手工標(biāo)記與最小二乘法結(jié)合的方法來(lái)表示指針角度與讀數(shù)的對(duì)應(yīng)關(guān)系，但此方法的泛化能力一般，當(dāng)被檢測(cè)儀表規(guī)格不同時(shí)，最終結(jié)果誤差較大。距離法的原理是利用指針與相鄰刻度之間的距離來(lái)判讀示數(shù)[5]，只有當(dāng)圖像質(zhì)量比較高時(shí)，得到的計(jì)算結(jié)果才比較準(zhǔn)確。

當(dāng)前，深度學(xué)習(xí)方法廣泛應(yīng)用在無(wú)人駕駛、醫(yī)療診斷和工業(yè)檢測(cè)等領(lǐng)域并已取得較好的效果[9-12]，并且得益于該類方法非常強(qiáng)大的特征提取能力、無(wú)需對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行繁瑣的預(yù)處理，為機(jī)器視覺(jué)提供了一種端到端的檢測(cè)模型[13-14]。此外，當(dāng)今硬件科技的發(fā)展水平也能為該類方法提供強(qiáng)大的支撐，高性能的硬件和由此帶來(lái)的計(jì)算能力也能符合深度學(xué)習(xí)應(yīng)用于眾多實(shí)際場(chǎng)景的需求[15-16]。因此，已有一部分人著手研究基于深度學(xué)習(xí)理論的指針儀表檢測(cè)識(shí)別方法。張?jiān)龉鈁17]使用MASK RCNN網(wǎng)絡(luò)模型對(duì)指針儀表進(jìn)行讀數(shù)識(shí)別，但對(duì)于復(fù)雜背景等因素的魯棒性較差。賀嘉琪[18]同樣使用了MASK RCNN網(wǎng)絡(luò)模型進(jìn)行儀表提取，并采用了閾值分割和概率霍夫直線檢測(cè)對(duì)指針進(jìn)行擬合定位，然后采用KNN對(duì)儀表讀數(shù)判定，但準(zhǔn)確率不太理想。彭昆福[19]采用Faster R-CNN算法和G-RMI算法對(duì)指針儀表進(jìn)行檢測(cè)識(shí)別，再通過(guò)深度回歸方法對(duì)示數(shù)進(jìn)行判讀，準(zhǔn)確率較高，但方法計(jì)算代價(jià)較大，執(zhí)行時(shí)間較長(zhǎng)。Cai W等人[20]提出對(duì)儀表圖像進(jìn)行指針旋轉(zhuǎn)從而擴(kuò)充數(shù)據(jù)量并通過(guò)一個(gè)CNN直接回歸指針示數(shù)，但此方法對(duì)圖像的質(zhì)量要求較高。

綜合上述情況，該文提出一種基于視覺(jué)分析的指針式儀表智能抄讀方法。該方法通過(guò)利用深度學(xué)習(xí)中主流神經(jīng)網(wǎng)絡(luò)方法之一的YOLOv3對(duì)圖像中的儀表進(jìn)行特征提取，然后再通過(guò)仿射變換、基于霍夫變換概率直線檢測(cè)和極坐標(biāo)變換的距離法分別進(jìn)行后續(xù)的圖像畸變矯正和儀表示數(shù)判讀。實(shí)驗(yàn)表明，該方法在準(zhǔn)確度、魯棒性和檢測(cè)效率上能滿足工程要求。

1 指針儀表識(shí)別方法

1.1 基本流程

如圖1所示，首先，通過(guò)特征提取網(wǎng)絡(luò)YOLOv3對(duì)包含儀表指針的圖像進(jìn)行刻度數(shù)字的特征點(diǎn)提取，從而將儀表區(qū)域從原始圖像中分割出來(lái)，并得到刻度數(shù)字的位置信息。考慮到儀表圖像有較大可能由于采集時(shí)的角度傾斜而出現(xiàn)畸變效應(yīng)，需采用仿射變換進(jìn)行畸變矯正處理，在最大程度上減少后續(xù)示數(shù)判讀誤差。然后，通過(guò)基于霍夫變換概率直線檢測(cè)和極坐標(biāo)變換的距離法對(duì)矯正后的圖像進(jìn)行示數(shù)判讀。

圖1 指針儀表識(shí)別方法流程

1.2 基于YOLOv3的表盤(pán)關(guān)鍵點(diǎn)提取

YOLOv3使用Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)去除最后的全連接層，剩余52個(gè)充當(dāng)主體網(wǎng)絡(luò)的卷積層，可被分為三個(gè)階段，結(jié)構(gòu)類似金字塔網(wǎng)絡(luò)(FPN)，其中前26層為階段一，第26層感知野小，負(fù)責(zé)檢測(cè)小目標(biāo)；第27至43層為階段二；第44至52層為階段三，第52層感知野大，負(fù)責(zé)檢測(cè)大目標(biāo)，網(wǎng)絡(luò)結(jié)構(gòu)如圖2(a)所示。在部分網(wǎng)絡(luò)層中引入了快捷鏈路(Shortcut Connections)，其正對(duì)應(yīng)了該網(wǎng)絡(luò)模型中使用殘差網(wǎng)絡(luò)(Residual Network)來(lái)優(yōu)化網(wǎng)絡(luò)參數(shù)，其中左側(cè)數(shù)字代表框內(nèi)網(wǎng)絡(luò)層所使用殘差塊的數(shù)量。一個(gè)殘差塊由兩個(gè)卷積層、兩個(gè)激活函數(shù)和一個(gè)快捷鏈路構(gòu)成，如圖2(b)所示。

(a)Darknet-53網(wǎng)絡(luò)結(jié)構(gòu) (b)殘差塊結(jié)構(gòu)

圖2 YOLOv3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3以圖像作為輸入，采用回歸的方式進(jìn)行目標(biāo)預(yù)測(cè)，不需要預(yù)先提取目標(biāo)候選區(qū)域，直接通過(guò)神經(jīng)網(wǎng)絡(luò)提取特征參數(shù)，以向量的形式輸出目標(biāo)物體所在圖像中的定位和類別信息，并能夠輸出13×13、26×26和52×52的3種尺度特征，既保證了檢測(cè)效率，又改善了針對(duì)小目標(biāo)的檢測(cè)性能。因此，首先通過(guò)YOLOv3神經(jīng)網(wǎng)絡(luò)進(jìn)行儀表關(guān)鍵點(diǎn)提取。

1.3 基于仿射變換的儀表圖像畸變矯正

由于圖像采集設(shè)備在對(duì)場(chǎng)景內(nèi)儀表進(jìn)行拍照時(shí)，攝像頭所在平面與待檢測(cè)儀表所在平面呈一定傾角關(guān)系，所以經(jīng)過(guò)YOLOv3神經(jīng)網(wǎng)絡(luò)提取出的儀表圖像并不是正視視角下的常規(guī)儀表，直接用于示數(shù)判讀會(huì)產(chǎn)生誤差。因此，需要先對(duì)關(guān)鍵點(diǎn)提取后的儀表圖像進(jìn)行基于仿射變換的畸變矯正，即通過(guò)空間變換將傾斜儀表圖像矯正為正視視角下的儀表圖像。當(dāng)成像距離較近且傾角斜偏下方時(shí)，投影變換的矯正方法尤為適合，當(dāng)成像距離較遠(yuǎn)時(shí)，投影變換將近似為仿射變換，并且此時(shí)用于變換所需的圖像固定像素點(diǎn)個(gè)數(shù)由4個(gè)減少為3個(gè)。

仿射變換是一種二維坐標(biāo)到二維坐標(biāo)之間的線性變換，它保持了二維圖形的“平直性”(直線經(jīng)過(guò)變換之后仍然是直線)和“平行性”(二維圖形之間的相對(duì)位置關(guān)系保持不變，平行線仍然是平行線，且直線上點(diǎn)的位置順序不變)。任意的仿射變換都能表示為乘以一個(gè)矩陣(線性變換)，再加上一個(gè)向量(平移)的形式，變換所用矩陣計(jì)算公式如式(1)所示，經(jīng)過(guò)仿射變換進(jìn)行畸變矯正的儀表圖像如圖3所示。

(1)

圖3 畸變矯正前后對(duì)比

1.4 基于距離法的儀表示數(shù)判讀

距離法的基本思想是通過(guò)計(jì)算儀表圖像中線狀指針與其左右相鄰刻度線之間的間距來(lái)確定指針讀數(shù)。假設(shè)指針左側(cè)相鄰刻度線的像素是a1,a2,…,an1，指針右側(cè)相鄰刻度線的像素是b1,b2,…,bn1，線狀指針與其左側(cè)相鄰刻度線的一個(gè)像素記為ai，與其右側(cè)相鄰刻度線的一個(gè)像素記為bi。

由距離公式可得到指針直線與刻度線像素ai的距離為dai，再依據(jù)公式(2)計(jì)算指針示數(shù)：

(2)

其中，R表示指針的示數(shù)，k1表示指針左側(cè)的刻度線對(duì)應(yīng)示數(shù)，k2表示指針右側(cè)的刻度線對(duì)應(yīng)示數(shù)。上述方法的大量計(jì)算較大程度保證了距離法的準(zhǔn)確性，距離法的基本原理與人工判讀的方法存在一定的區(qū)別，人工判讀方法重點(diǎn)關(guān)注相鄰刻度線與指針直線之間的弧度來(lái)確定指針示數(shù)，距離法則側(cè)重相鄰刻度線與指針直線之間的垂直距離。

鑒于此，距離法判讀指針儀表示數(shù)的關(guān)鍵主要有兩點(diǎn)，第一點(diǎn)是基于線狀指針中心軸線平行于左右相鄰刻度線的假設(shè)，第二點(diǎn)是檢測(cè)到的刻度直線關(guān)鍵點(diǎn)位置信息與刻度示數(shù)關(guān)鍵點(diǎn)位置信息之間的對(duì)應(yīng)關(guān)系。針對(duì)第一點(diǎn)，待檢測(cè)的指針儀表刻度盤(pán)呈圓弧狀，可矯正儀表圖像中包含刻度的部分，以便于確定儀表指針位置的示數(shù)，如圖4(a)所示。針對(duì)第二點(diǎn)，可通過(guò)霍夫變換概率直線檢測(cè)的方式對(duì)刻度直線進(jìn)行檢測(cè)，得到刻度直線的關(guān)鍵點(diǎn)位置信息，并且霍夫變換需要極坐標(biāo)系下的輸入圖像。極坐標(biāo)變換一般適用矯正圖像中的圓形目標(biāo)，通過(guò)坐標(biāo)變換關(guān)系式(公式(3))將儀表圖像由直角坐標(biāo)系變換至極坐標(biāo)系，再結(jié)合YOLOv3網(wǎng)絡(luò)提取的刻度示數(shù)關(guān)鍵點(diǎn)位置信息進(jìn)行儀表示數(shù)判讀。

(3)

如果圓心為極坐標(biāo)原點(diǎn)，那么直角坐標(biāo)系中的圓將變換為極坐標(biāo)系中的直線。故儀表圖像在直角坐標(biāo)系中的圓弧形刻度將變換為極坐標(biāo)中的直線刻度，變換后的儀表圖像如圖4(b)所示。

圖4 儀表坐標(biāo)變換前后對(duì)比

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)中所用的計(jì)算機(jī)平臺(tái)配置：操作系統(tǒng)Windows 10 Professional x64，Intel(R)Core(TM)i7-4790 CPU @3.60 GHz，內(nèi)存為16 GB，顯卡為NVIDIA GTX 1080Ti，工控機(jī)開(kāi)發(fā)語(yǔ)言為Python，深度學(xué)習(xí)算法部分用到的框架為PyTorch1.7.1。上位機(jī)端向巡檢機(jī)器人端發(fā)送巡檢指令，巡檢機(jī)器人接收到指令后，再通過(guò)內(nèi)至工控主機(jī)處理攝像頭采集到的儀表圖像進(jìn)行視覺(jué)檢測(cè)。

2.2 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

為了體現(xiàn)儀表實(shí)際所處場(chǎng)景的復(fù)雜性，訓(xùn)練所需數(shù)據(jù)集由巡檢機(jī)器人的超清攝像頭采集獲得，設(shè)置調(diào)整攝像頭姿態(tài)角度、位置及環(huán)境光照，以確保采集到不同傾斜角度和不同光照條件下的儀表圖像，共計(jì)1 000張，再通過(guò)數(shù)據(jù)增強(qiáng)的方式擴(kuò)增該數(shù)據(jù)集，具體操作類型有翻轉(zhuǎn)、旋轉(zhuǎn)、鏡像和高斯白噪聲等，擴(kuò)充后的數(shù)據(jù)集共有4 000張儀表圖像。再將數(shù)據(jù)集按照8∶1∶1的通用標(biāo)準(zhǔn)劃分為3 200張訓(xùn)練集、400張驗(yàn)證集和400張測(cè)試集，并且依據(jù)VOC數(shù)據(jù)集格式將訓(xùn)練集和驗(yàn)證集進(jìn)行人工標(biāo)記。用設(shè)計(jì)好的網(wǎng)絡(luò)訓(xùn)練預(yù)先自制的儀表圖像數(shù)據(jù)集，得到用于提取儀表圖像關(guān)鍵點(diǎn)的YOLOv3神經(jīng)網(wǎng)絡(luò)模型。

2.3 評(píng)價(jià)指標(biāo)

為了準(zhǔn)確判斷模型對(duì)指針儀表表盤(pán)關(guān)鍵點(diǎn)的提取效果，分別從模型檢測(cè)的準(zhǔn)確率(ACC)、精確率(PRE)和召回率(REC)三個(gè)指標(biāo)來(lái)評(píng)價(jià)模型效果。ACC為檢測(cè)圖片中準(zhǔn)確識(shí)別到指針儀表表盤(pán)圖片數(shù)量所占比例，PRE為準(zhǔn)確識(shí)別的圖片數(shù)量占全部檢測(cè)為指針儀表表盤(pán)圖片數(shù)量的比例，REC為準(zhǔn)確識(shí)別的圖片數(shù)量占全部指針儀表表盤(pán)圖片數(shù)量的比例。設(shè)Nt為準(zhǔn)確識(shí)別的圖片數(shù)量，Nall為所有檢測(cè)圖片數(shù)目，Nf為誤檢測(cè)的圖片數(shù)量，No為漏檢測(cè)的圖片數(shù)量。則ACC、PRE和REC的計(jì)算公式為：

(4)

為了表明該方法在儀表畸變矯正前后示數(shù)判讀上的識(shí)別效果，將人工讀數(shù)記為Ia，并以其為基準(zhǔn)，算法讀數(shù)記為Im，算法讀數(shù)與人工讀數(shù)之間誤差值記為Δ，示數(shù)判讀的準(zhǔn)確率記為mAP，則計(jì)算公式如式(5)所示：

(5)

為了體現(xiàn)該方法在具體應(yīng)用于工程實(shí)際問(wèn)題中的實(shí)時(shí)性，即方法執(zhí)行時(shí)間，將其記為tm，其主要由三部分組成，分別為表盤(pán)關(guān)鍵點(diǎn)提取時(shí)間，記為te，畸變矯正時(shí)間，記為tt，以及示數(shù)判讀時(shí)間ti，計(jì)算關(guān)系如式(6)所示。

tm=te+tt+ti

(6)

2.4 結(jié)果分析

(1)指針儀表圖像的提取。

為了表明基于YOLOv3神經(jīng)網(wǎng)絡(luò)用于指針儀表圖像進(jìn)行關(guān)鍵點(diǎn)提取的準(zhǔn)確率和檢測(cè)方法的魯棒性，設(shè)置了不同的實(shí)驗(yàn)條件，分別為正常光照、暗弱光照、過(guò)曝光照和包含椒鹽噪聲，并將以上4種條件下指針儀表圖像提取的實(shí)驗(yàn)結(jié)果作對(duì)比，如表1所示。

表1 4種條件下指針儀表圖像的提取結(jié)果

表1中，在4種條件下對(duì)于400張待檢測(cè)圖片的提取結(jié)果表明，該網(wǎng)絡(luò)方法的準(zhǔn)確率較高，且魯棒性較強(qiáng)，其中，正常光照條件下的檢測(cè)效果最好，準(zhǔn)確率高達(dá)96%，而其他三種條件下的檢測(cè)性能分別出現(xiàn)不同程度的下降，尤其是圖像中包含椒鹽噪聲時(shí)，檢測(cè)準(zhǔn)確率與正常光照條件下相比下降了10.50百分點(diǎn)，其主要原因在于YOLOv3神經(jīng)網(wǎng)絡(luò)對(duì)于噪聲干擾較敏感，但對(duì)于實(shí)際場(chǎng)景中出現(xiàn)該類噪聲的概率較低，故該檢測(cè)方法仍具有較大的適用性。

考慮到實(shí)際應(yīng)用場(chǎng)景中可能不只會(huì)出現(xiàn)環(huán)境光照和噪聲干擾的情況，還可能會(huì)出現(xiàn)采集姿態(tài)不同而導(dǎo)致檢測(cè)結(jié)果出現(xiàn)偏差的情況，故實(shí)驗(yàn)部分還分別補(bǔ)充了3種主要的采集姿態(tài)條件下的檢測(cè)結(jié)果，如表2所示。可看出對(duì)于仰視、平視和俯視共計(jì)三種采集姿態(tài)下的儀表圖像，該方法依舊能夠有效提取到儀表刻度數(shù)字的關(guān)鍵點(diǎn)。此外，為了降低采集姿態(tài)帶來(lái)的視角誤差，還需對(duì)儀表圖像進(jìn)行后續(xù)必要的傾斜畸變矯正。

(2)畸變矯正前后的示數(shù)判讀。

對(duì)儀表圖像數(shù)據(jù)集中400張測(cè)試集圖片進(jìn)行檢測(cè)識(shí)別，分別測(cè)試記錄儀表圖像進(jìn)行畸變矯正前后的算法自動(dòng)讀數(shù)，并與作為參考的人工讀數(shù)進(jìn)行對(duì)比，得出誤差值和準(zhǔn)確率，表3所示為其中10組數(shù)據(jù)結(jié)果。

表2 不同條件下三種采集姿態(tài)圖像的提取結(jié)果

表3 畸變矯正前后的示數(shù)判讀結(jié)果

表3中，1～3組數(shù)據(jù)為采集圖像的姿態(tài)處于仰視狀態(tài)下得到，則所得數(shù)據(jù)結(jié)果略微偏大，誤差值為正值；4～7組數(shù)據(jù)為近似平視狀態(tài)下采集得到，則所得數(shù)據(jù)結(jié)果存在概率性偏大或偏小，誤差值有正值和負(fù)值；8～10組數(shù)據(jù)為俯視狀態(tài)下采集得到，則所得數(shù)據(jù)結(jié)果略微偏小，誤差值為負(fù)值。

從上述具有代表性的10組數(shù)據(jù)結(jié)果中可看出，該方法在示數(shù)判讀的準(zhǔn)確率上矯正前后的平均值分別為92.80%和97.48%，這主要表明兩點(diǎn)，第一，該方法用于指針儀表圖像的畸變矯正是具有較顯著的作用，能夠有效提升算法讀數(shù)的準(zhǔn)確率；第二，該方法在指針儀表讀數(shù)圖像檢測(cè)識(shí)別上的平均準(zhǔn)確率為97.48%，能夠滿足工業(yè)檢測(cè)的需求。

(3)方法執(zhí)行時(shí)間。

本部分實(shí)驗(yàn)記錄分析了指針儀表圖像數(shù)據(jù)集中400張測(cè)試圖片的各步驟檢測(cè)所花費(fèi)的平均時(shí)間，如表4所示，可看出方法檢測(cè)時(shí)長(zhǎng)主要耗費(fèi)在指針儀表關(guān)鍵點(diǎn)提取階段(125 ms)，方法總計(jì)耗費(fèi)時(shí)長(zhǎng)為245 ms，即方法檢測(cè)幀速率可達(dá)到4 fps，能夠滿足工業(yè)檢測(cè)實(shí)時(shí)性要求。

表4 方法執(zhí)行時(shí)間

(4)方法先進(jìn)性分析。

為了驗(yàn)證該方法的先進(jìn)性，利用已有3種性能較為優(yōu)異的方法做同樣的檢測(cè)實(shí)驗(yàn)，幾種方法用于檢測(cè)的主要步驟為關(guān)鍵點(diǎn)提取和示數(shù)判讀，并將各方法的評(píng)價(jià)指標(biāo)結(jié)果作對(duì)比，如表5所示。

表5 方法檢測(cè)性能對(duì)比

續(xù)表5

通過(guò)與3種現(xiàn)有方法的實(shí)驗(yàn)對(duì)比，可看出文中方法在各個(gè)評(píng)價(jià)指標(biāo)上均優(yōu)于其他三種方法。方法一為模板匹配法+Hough變換法，方法二為Faster R-CNN+Hough變換法，方法三為改進(jìn)SSD+CNN。方法一基于傳統(tǒng)圖像處理，相比其他方法，在檢測(cè)準(zhǔn)確率和方法執(zhí)行時(shí)間上均存在顯著不足，主要原因是模板匹配法對(duì)于圖像要求質(zhì)量高、抗干擾性差，并且算法計(jì)算量較大。方法二、方法三和文中方法在檢測(cè)準(zhǔn)確率上較為接近，但在檢測(cè)時(shí)間上，方法三和文中方法要優(yōu)于方法二，這主要是因?yàn)樵谀繕?biāo)檢測(cè)框架上，SSD和YOLOv3均屬于one-stage方法，相較于方法二中的R-CNN(two-stage方法)，在處理速度上有較明顯優(yōu)勢(shì)。總體來(lái)講，文中方法在檢測(cè)準(zhǔn)確率和方法執(zhí)行時(shí)間上均有優(yōu)良的性能表現(xiàn)，能夠更好地滿足實(shí)際工程問(wèn)題的需要。

3 結(jié)束語(yǔ)

提出了一種新的用于電氣室設(shè)備中指針式儀表識(shí)別與示數(shù)判讀方法，該方法基于YOLOv3深度學(xué)習(xí)視覺(jué)神經(jīng)網(wǎng)絡(luò)進(jìn)行儀表圖像的關(guān)鍵點(diǎn)提取，并根據(jù)實(shí)際檢測(cè)場(chǎng)景中出現(xiàn)的畸變、弱光、噪聲以及其他干擾情況進(jìn)行了相應(yīng)的仿射變換矯正處理，最后通過(guò)基于霍夫變換概率直線檢測(cè)和極坐標(biāo)變換的方式對(duì)儀表圖像使用距離法進(jìn)行示數(shù)判讀。經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，該方法能夠?qū)崿F(xiàn)對(duì)儀表的自動(dòng)讀數(shù)識(shí)別，在拍攝時(shí)的姿態(tài)角度、距離等方面具有良好的兼容性。同時(shí)，相較于傳統(tǒng)機(jī)器視覺(jué)方法和現(xiàn)有的基于深度學(xué)習(xí)方法，該方法在多尺度特性檢測(cè)問(wèn)題上的表現(xiàn)更優(yōu)，即當(dāng)采集到的圖像中待檢測(cè)目標(biāo)區(qū)域較小時(shí)，得益于YOLOv3網(wǎng)絡(luò)的多尺度特性，該方法仍能準(zhǔn)確檢測(cè)識(shí)別指針儀表。最后，該方法在識(shí)別準(zhǔn)確率和檢測(cè)效率上能夠滿足實(shí)際需求，對(duì)于電氣化工廠的安全生產(chǎn)具有重要意義。