1、研究背景及意义
在工业生产、科学研究以及环境监测领域，需要使用大量的压力表、电流表、温度表等仪表，通过对这些仪表读数的读取，工作人员可以非常快速地发现异常情况，防止事故的发生。这些仪表大致可以分为两类：指针式仪表和数字式仪表。指针式仪表可以非常直观地显示被测数值与安全量程之间的关系，常见的指针式仪表包括：指针式电压表，指针式电流表，指针式温度表，指针式气压表。数字式仪表则是通过利用液晶显示屏等示数电子器件，直接输出被测数值，常见的数字式仪表，显示速度快，读数精确，然而在较为复杂的生产环境下，如果存在很大的电磁干扰，数字式仪表读数十分不稳定，容易出现数值偏差较大的情况。与数字式仪表相比，指针式仪表则具有价格低廉，抗干扰能力强的优点，因此指针式仪表广泛地应用在各种复杂生产环境中。
传统的仪表读数过程往往需要耗费大量的人力来解决，人工读表不仅成本高昂，效率低下，同时也更容易受到读表人个人主观因素的影响，而且在复杂的生产环境下（例如：高温、高压、有毒有害气体监测）进行人工读表也会给读表人带来很大的安全隐患。因此，需要研究一套基于深度学习，可以在复杂的生产环境下，对监控设备所拍摄到的指针式仪表图像进行图像处理，快速得出指针式仪表示数的自动检测识别算法。
随着计算机视觉、机器学习和深度学习等技术的不断发展，以微软、谷歌、SpaceX为代表的国外科技巨头，与阿里、腾讯、百度等国内高新技术公司在人工智能领域展开了新一轮的竞争和角逐。美国政府于2016年10月公布了《美国国家人工智能研究与发展战略规划》，我国国务院于2017年7月发布了《新一代人工智能发展规划》文件，自此人工智能的浪潮全面走进人类的生活。
相较人工读表而言，基于深度学习的指针式仪表自动读取算法不仅减少了人工成本的开销，提高了工作效率，减少了主观因素的影响，保障了操作人员的人身财产安全，而且使得在生产操作过程中可以实现时间不间断的自动化生产。
2、研究现状
计算机视觉（Computer Vision）是一门研究用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像的科学。其应用领域包括计算机科学和工程、物理学、应用数学和统计学，神经生理学，认知科学，军事科学，医学和工农业生产等，具有非常广泛的应用前景与潜在应用价值。
基于计算机视觉的指针式仪表自动读取技术最早由国外的研究团队提出并实现，1994年Sablating R团队作为基于机器视觉的自动仪表读数研究领域的先驱，发表了一种运用约束条件设计的指针式仪表自动读数装置[1]。1995年韩国学者Kim K H采用自动阈值划分和划定区域的方法来处理研究的图像，并采用基于特征匹配的方法提取图像中的指针和刻度线[2]。2000年Alegria F C等学者通过利用计算机视觉对测量仪器进行自动校正，利用极坐标变换的方式将圆弧刻度线变换成直线刻度，便可以通过指针所在位置得到具体读数[3,4]。
国内学者也紧跟指针式仪表自动读数研究的步伐，1996年郭子海等首次提出了利用图像识别的概念来对指针式仪表的读数进行检测与识别[5]，该方法主要是利用霍夫变换（Hough Transform）的方式，提取仪表盘是圆形指针是直线的特点来实现读数，然而由于霍夫变换计算量大、算法实现条件苛刻且易受指针与仪表盘模糊的影响，在复杂的生产环境下往往难以取得较好的效果。2003年王三武学者在霍夫变换的基础上，采用模板匹配算法，寻找具有特定特征的模块，实现了对复杂水表的读数识别[6]。2006年赵书涛学者根据指针和刻度的距离来确定指针的位置，同样也实现了对指针式仪表的读数[7]。
