基于改進(jìn)U2?Net的指針式儀表讀數(shù)識(shí)別方法

摘" 要： 針對(duì)儀表表盤(pán)光照不均和幾何失真影響儀表關(guān)鍵區(qū)域提取、讀數(shù)識(shí)別準(zhǔn)確率的問(wèn)題，提出一種基于改進(jìn)U2?Net的儀表校正與讀數(shù)識(shí)別方法。首先通過(guò)加入坐標(biāo)注意力機(jī)制的U2?Net模型識(shí)別并分割出儀表表盤(pán)區(qū)域，隨后采用改進(jìn)透視變換技術(shù)對(duì)表盤(pán)區(qū)域進(jìn)行幾何校正，實(shí)現(xiàn)不同形狀的儀表幾何校正；再引入自適應(yīng)MSRCR算法對(duì)表盤(pán)光照不均區(qū)域進(jìn)行光照校正；最后，通過(guò)U2?Net對(duì)校正后的圖像進(jìn)行指針?lè)指詈完P(guān)鍵刻度點(diǎn)分割，采用PCA擬合指針?biāo)诘闹本€，得到指針偏轉(zhuǎn)角度并通過(guò)角度法計(jì)算準(zhǔn)確讀數(shù)。實(shí)驗(yàn)結(jié)果表明，該方法能夠在光照不足或光照過(guò)強(qiáng)的情況下有效恢復(fù)儀表關(guān)鍵信息區(qū)域，并能夠有效校正不同形狀的傾斜儀表，提升了指針和刻度信息提取的準(zhǔn)確度，且讀數(shù)誤差率低于0.89%。

關(guān)鍵詞： 指針式儀表； 光照校正； 失真校正； U2?Net； 儀表讀數(shù)； MSRCR

中圖分類(lèi)號(hào)： TN609?34； TP273" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2025）05?0169?06

Pointer meter reading recognition method based on improved U2?Net

LI Li1， QIAO Yitian2， HUANG Xiaolong2， XIE Weicheng2， JIANG Wenbo2

（1. Unit 91001 of PLA， Beijing 100841， China;

2. School of Electrical Engineering and Electronic Information， Xihua University， Chengdu 610039， China）

Abstract： In view of the uneven illumination and the fact that the geometric distortion affects the extraction of key areas and the accuracy rate of reading recognition for instrument dials， a method based on improved U2?Net for instrument correction and reading recognition is proposed. Firstly， a U2?Net model with an integrated coordinate attention mechanism is employed to identify and segment the instrument dial area. Subsequently， an improved perspective transformation technique is used for geometric correction of the dial area， achieving geometric corrections for meters of various shapes. An adaptive MSRCR algorithm is then introduced to correct the unevenly illuminated areas of the dial. Finally， the U2?Net is used to segment the corrected image for pointers and key scale points. The pointer line is fitted with PCA to obtain the pointer deflection angle， and the accurate reading is calculated with the angular method. Experimental results show that the proposed method can effectively recover key information areas of meters under conditions of insufficient or excessive illumination， and can correct inclined meters of different shapes effectively. In addition， it enhances the accuracy of pointer and scale information extraction， with a reading error rate lower than 0.89%.

Keywords： pointer meter; illumination correction; distortion correction; U2?Net; meter reading; MSRCR

0" 引" 言

指針式儀表因結(jié)構(gòu)簡(jiǎn)單、抗干擾能力強(qiáng)等，被廣泛應(yīng)用于工業(yè)生產(chǎn)環(huán)境中。由于沒(méi)有可以上傳數(shù)據(jù)到云端的數(shù)字接口，指針式儀表需要人工記錄讀數(shù)。人工讀數(shù)不僅效率低下還存在一定的安全風(fēng)險(xiǎn)，且隨著讀數(shù)次數(shù)的增加誤讀率也不斷提高。

隨著工業(yè)智能化的發(fā)展，儀表智能化讀數(shù)成為主要趨勢(shì)。但儀表因其處于復(fù)雜的工作環(huán)境，表盤(pán)區(qū)域易受到背光、曝光、雜物的影響，這些影響因素會(huì)導(dǎo)致儀表特征提取困難，從而影響讀數(shù)。為了消除上述影響，文獻(xiàn)[1]利用多尺度高斯函數(shù)提取光照分量，并重構(gòu)二維伽馬函數(shù)，實(shí)現(xiàn)不同光照強(qiáng)度下指針式儀表圖像的自適應(yīng)調(diào)整。文獻(xiàn)[2]通過(guò)二值化、濾波等預(yù)處理方法處理圖像以減少周?chē)h(huán)境干擾。文獻(xiàn)[3]在Retinex算法基礎(chǔ)上加入灰度級(jí)動(dòng)態(tài)調(diào)整機(jī)制以達(dá)到去霧效果，并引入ResNet網(wǎng)格構(gòu)建去雨模型，減小了雨霧天氣下對(duì)儀表識(shí)別的影響。文獻(xiàn)[4]針對(duì)儀表圖像存在弱光或光照不均勻的問(wèn)題，提出一種光照增強(qiáng)融合算法，由改進(jìn)Retinex算法和改進(jìn)的自適應(yīng)快速雙邊濾波算法組成，提高了低照度條件下的圖像色彩恢復(fù)能力。文獻(xiàn)[5]提出了一種對(duì)低照度圖像進(jìn)行圖像增強(qiáng)的方法，分別改善了低照度圖像的暗區(qū)和亮區(qū)。文獻(xiàn)[6]采用基于Retinex的自適應(yīng)伽馬增強(qiáng)算法來(lái)處理圖像表面光照不均勻的影響，使圖像的整體亮度得到平衡。文獻(xiàn)[7]采用基于Retinex的MSRCR算法降低亮度的影響。為消除表盤(pán)區(qū)域光照以及指針陰影對(duì)指針識(shí)別的影響，文獻(xiàn)[8]提出一種具有單參數(shù)的指數(shù)型同態(tài)濾波與全局對(duì)比度處理的光照校正算法。為了更好地分割表盤(pán)、指針和刻度區(qū)域，文獻(xiàn)[9]將ECA注意力機(jī)制模塊添加到U?Net四個(gè)復(fù)制和裁剪結(jié)構(gòu)上，并在模型輸出端前添加ECA模塊，以解決U?Net模型在圖像特征融合過(guò)程中存在的信息丟失而導(dǎo)致分割精度降低的問(wèn)題。文獻(xiàn)[10]將原始Mask?RCNN中的RoiAlign模塊替換為ProiPooling模塊，以提高表盤(pán)區(qū)域分割性能。對(duì)于儀表校正，文獻(xiàn)[11]提出一種二次校正方法，首先通過(guò)擬合4個(gè)關(guān)鍵點(diǎn)進(jìn)行透視校正，再計(jì)算水平偏轉(zhuǎn)角度進(jìn)行旋轉(zhuǎn)校正。文獻(xiàn)[12]使用MobileNetV3?UNet網(wǎng)絡(luò)檢測(cè)傾斜儀表圖像中關(guān)鍵點(diǎn)的位置，利用先驗(yàn)信息中構(gòu)造的對(duì)應(yīng)點(diǎn)計(jì)算透視變換矩陣進(jìn)行校正。

現(xiàn)有研究方法在一定程度上減少了環(huán)境對(duì)儀表讀數(shù)的影響。但在實(shí)際工業(yè)環(huán)境中，傾斜儀表和表盤(pán)區(qū)域的遮擋物會(huì)嚴(yán)重影響指針和刻度區(qū)域的提取，從而導(dǎo)致讀數(shù)誤差變大。針對(duì)此問(wèn)題，本文提出基于U2?Net和自適應(yīng)MSRCR的指針式儀表讀數(shù)方法。首先通過(guò)改進(jìn)U2?Net，提高對(duì)表盤(pán)、指針、刻度的分割效果；經(jīng)透視變換后，使用自適應(yīng)MSRCR算法校正關(guān)鍵區(qū)域的色彩；最后，通過(guò)直線擬合和識(shí)別儀表刻度值，采用角度法實(shí)現(xiàn)讀數(shù)識(shí)別。

1" 指針式儀表讀數(shù)算法原理

1.1" 表盤(pán)區(qū)域分割

當(dāng)表盤(pán)區(qū)域不規(guī)則時(shí)，基于霍夫圓檢測(cè)的表盤(pán)擬合方法效果不佳，為了更好地分割出儀表表盤(pán)區(qū)域，使用高精度圖像分割的深度學(xué)習(xí)模型U2?Net作為分割網(wǎng)絡(luò)。

U2?Net采用了一種嵌套的U型結(jié)構(gòu)，提升了模型在各個(gè)尺度上捕獲特征的能力，從而有效處理圖像中的細(xì)節(jié)和全局信息。為進(jìn)一步提升模型在關(guān)注區(qū)域的特征抽取能力及分割性能，在RSU模塊的上采樣過(guò)程中融入坐標(biāo)注意力（Coordinate Attention， CA）機(jī)制，如圖1所示。

CA機(jī)制的加入可以提升對(duì)表盤(pán)、指針、刻度邊界的分割效果，使分割出的圖像邊界更加準(zhǔn)確。同時(shí)，也能提升分割網(wǎng)絡(luò)對(duì)特征的識(shí)別能力，減少來(lái)自表盤(pán)遮擋物干擾導(dǎo)致的誤檢。

1.2" 儀表傾斜校正

儀表主要分為圓形儀表和方形儀表，對(duì)于不同形狀的傾斜儀表，采用不同的幾何校正策略。對(duì)于圓形儀表，先擬合儀表表盤(pán)最小外接橢圓，并得到長(zhǎng)短軸與橢圓4個(gè)交點(diǎn)[S1，S2，S3，S4]。再計(jì)算長(zhǎng)短軸所在的直線與橢圓的最小外接圓的4個(gè)交點(diǎn)，得到[S′1，S′2，S′3，S′4]。最后通過(guò)4組對(duì)應(yīng)點(diǎn)計(jì)算透視變換矩陣，完成幾何校正，透視變換完整形式如式（1）所示：

[xyw=Puvw=a11a12a13a21a22a23a31a32a33uvw] （1）

式中：[u，v，w]是原始圖像中的二維齊次坐標(biāo)；[x，y，w]是經(jīng)過(guò)透視變換后的二維齊次坐標(biāo)。設(shè)[w=1]，二維平面坐標(biāo)[x，y]透視變換后的坐標(biāo)用式（2）計(jì)算：

[x=xw=a11u+a12v+a13a31u+a32v+a33y=yw=a21u+a22v+a23a31u+a32v+a33] （2）

將透視變換前后的四組關(guān)鍵點(diǎn)坐標(biāo)[S1，S2，S3，S4]和[S′1，S′2，S′3，S′4]代入上述公式，并設(shè)[a33=1]可求得透視矩陣。

對(duì)于方形儀表，初始點(diǎn)為四邊形的4個(gè)頂點(diǎn)[xr，yr]，[r=1，2，3，4]，通過(guò)擬合四邊形最小外接矩形，得到矩形4個(gè)頂點(diǎn)坐標(biāo)[x′r，y′r]，[r=1，2，3，4]，同圓形儀表，通過(guò)4個(gè)對(duì)應(yīng)點(diǎn)的坐標(biāo)計(jì)算透視矩陣，完成透視變換。

1.3" 光照校正

為更好地區(qū)分表盤(pán)信息區(qū)域和背景區(qū)域，使用自適應(yīng)MSRCR色彩校正算法[13]消除表盤(pán)受到的陰影、過(guò)曝、光斑影響。圖像灰度化后，根據(jù)像素值高低分為三等份：像素值在0～85的區(qū)間內(nèi)為暗區(qū)域；大于85小于170的部分為中暗區(qū)域；高于170的圖像劃分為亮區(qū)域。取三個(gè)區(qū)域的均值作為正態(tài)分布的期望值并代入正態(tài)分布式中，計(jì)算圖像像素在明暗區(qū)域的概率分布。

[Gx，yn=e-Ix，y-μn22σ2] （3）

式中：[Ix，y]為輸入圖像；[μn∈μ1， μ2， μ3]。

根據(jù)式（3）所得的概率值，可將權(quán)重重新定義為：

[wnx，y=Gnn=13Gn] （4）

將此權(quán)重代入[RMSRCR]表達(dá)式中，讓原本的[wn]不再恒等于[13]。

[R′MSRCR=Cn（x，y）×" " " " " "n=1Nw′nlogIx，y+ε-logGσn*Ix，y+ε] （5）

式中[w′n]為權(quán)重[wn]的轉(zhuǎn)置。

1.4" 關(guān)鍵區(qū)域分割與指針直線擬合

在儀表讀數(shù)前，需要將指針區(qū)域和刻度區(qū)域從背景中分割出來(lái)。通過(guò)U2?Net分割出指針?biāo)趨^(qū)域的二值蒙版后，通過(guò)主成分分析（Principal Component Analysis，PCA）擬合指針?biāo)谥本€，PCA通過(guò)投影到較低維度的空間來(lái)捕捉數(shù)據(jù)的主要特征和結(jié)構(gòu)，同時(shí)盡可能保留原始數(shù)據(jù)的變異性。

在指針直線擬合的過(guò)程中，首先使用Canny邊緣檢測(cè)算法獲取指針輪廓，得到輪廓點(diǎn)集，根據(jù)輪廓點(diǎn)集信息，使用PCA擬合指針?biāo)谥本€。

1.5" 儀表示數(shù)計(jì)算

儀表示數(shù)可根據(jù)指針位置信息和離指針最近的兩個(gè)刻度點(diǎn)位置信息，通過(guò)角度法進(jìn)行計(jì)算。該方法在讀數(shù)時(shí)需要的基本參數(shù)為：與指針最近的大刻度讀數(shù)[vb]、與指針最近的小刻度讀數(shù)[vs]、大小刻度之間的夾角[θ]、指針與小刻度的夾角[θs]、指針與最小刻度在順時(shí)針?lè)椒ǖ膴A角[θ0]。

在確定與指針最近的兩個(gè)關(guān)鍵刻度點(diǎn)后，刻度所對(duì)應(yīng)的兩個(gè)刻度值大小[vb]、[vs]可通過(guò)光學(xué)字符識(shí)別技術(shù)讀取。具體讀數(shù)計(jì)算公式如式（6）所示：

[R=vs+θsθvb-vs] （6）

式中[R]表示最終讀數(shù)。

2" 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)環(huán)境的操作系統(tǒng)為64位Windows 10系統(tǒng)，CPU為Intel[?] CoreTM i5?12400F 2.50 GHz；GPU采用16 GB顯存的GeForce RTX 3070 Ti；軟件環(huán)境為Python 3.8.0、PyTorch 2.1.1、CUDA 12.1。運(yùn)行平臺(tái)為Pycharm 2022.3.3和OpenCV 4.5.4。

2.1" 表盤(pán)分割與校正實(shí)驗(yàn)

表盤(pán)區(qū)域形狀不規(guī)則和表盤(pán)存在遮擋物，都會(huì)在一定程度上影響分割算法的分割效果，為了驗(yàn)證改進(jìn)后的U2?Net對(duì)于表盤(pán)區(qū)域分割效果更好，與改進(jìn)前的U2?Net進(jìn)行對(duì)比，分割效果如圖2所示。

從實(shí)驗(yàn)結(jié)果可以看出，改進(jìn)后的U2?Net受表盤(pán)形狀和遮擋物的干擾更小，能更好地分割表盤(pán)區(qū)域。

分割出表盤(pán)區(qū)域后，通過(guò)前文所述的方法進(jìn)行幾何校正，校正效果如圖3所示。

改進(jìn)后的校正策略不僅能校正圓形儀表也可以校正方形儀表。對(duì)于表盤(pán)區(qū)域存在雜物干擾的儀表，校正效果不受干擾。

2.2" 光照校正實(shí)驗(yàn)

為對(duì)比不同光照校正算法對(duì)光照影響下的圖像校正效果，選擇5張受光照不均影響的儀表圖像，其中3張是不同程度陰影影響下的圖像，從上到下分別是背光條件下的儀表、室外陰影下的儀表和光照不足的儀表，另外2張是受到光照影響的圖像，從上到下分別是過(guò)曝圖像和光斑影響圖像。分別使用MSRCR算法、MSRCP算法以及自適應(yīng)MSRCR算法對(duì)5張圖像進(jìn)行校正處理，得到的結(jié)果如圖4所示。

由實(shí)驗(yàn)結(jié)果可知，MSRCR算法在處理陰暗圖像和過(guò)曝圖像時(shí)都有良好效果，特別是低照度圖像，能有效地恢復(fù)圖像細(xì)節(jié)。相較于MSRCR，MSRCP的色彩恢復(fù)效果更好。改進(jìn)后的MSRCR算法在處理低照度圖像時(shí)表現(xiàn)出最佳的性能，不僅更好地平衡色彩信息，圖像特征也更加明顯，特別是儀表的刻度、刻度值以及指針區(qū)域，相較于其他方法更加明顯。

為了更客觀地評(píng)價(jià)各種光照校正算法對(duì)于儀表圖像的處理效果，分別取陰暗條件下和強(qiáng)光條件下的儀表圖像進(jìn)行對(duì)比，如表1、表2所示。

使用峰值信噪比、結(jié)構(gòu)相似性、圖像信息熵和平均灰度值等圖像評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)算法處理后的圖像。峰值信噪比用于衡量重構(gòu)圖像與原始圖像之間的相似度，值越大，表示重構(gòu)圖像與原始圖像之間的差異越小，圖像質(zhì)量越好；結(jié)構(gòu)相似性通過(guò)圖像的亮度等信息衡量圖像質(zhì)量，值越大說(shuō)明圖像質(zhì)量越高；圖像信息熵用來(lái)衡量圖像中的信息復(fù)雜度，圖像信息熵越高，意味著圖像包含的信息越豐富，圖像的細(xì)節(jié)和紋理越復(fù)雜；灰度均值則反映了圖像整體的亮度水平。

由實(shí)驗(yàn)結(jié)果可以得出，自適應(yīng)MSRCR在多個(gè)圖像評(píng)價(jià)指標(biāo)上的效果均優(yōu)于另外兩種算法。

為進(jìn)一步驗(yàn)證經(jīng)自適應(yīng)MSRCR處理后的表盤(pán)信息區(qū)域更明顯，使用U2?Net對(duì)指針和刻度區(qū)域進(jìn)行分割，結(jié)果如圖5所示。

由實(shí)驗(yàn)結(jié)果可知，經(jīng)圖像校正和去噪后的圖像消除了陰影、光照、噪聲對(duì)表盤(pán)區(qū)域的影響。對(duì)于欠光照的圖像，經(jīng)自適應(yīng)MSRCR算法校正后，提升了表盤(pán)的指針和刻度區(qū)域細(xì)節(jié)，使U2?Net能更好地分割目標(biāo)區(qū)域，消除了因光照不足而導(dǎo)致的特征區(qū)域不明顯的問(wèn)題。對(duì)于光照過(guò)強(qiáng)的表盤(pán)區(qū)域，校正后的圖像平衡了光斑影響區(qū)域的色彩，減少了分割算法的誤檢，對(duì)于刻度區(qū)域分割也更加準(zhǔn)確。

2.3" 指針直線擬合實(shí)驗(yàn)

PCA、最小二乘法、霍夫直線檢測(cè)都是常用指針直線擬合的算法，但對(duì)于指針二值化圖像，霍夫直線檢測(cè)不適用于此類(lèi)情況。因此，為了驗(yàn)證PCA算法能更準(zhǔn)確地?cái)M合指針?biāo)谥本€，同時(shí)用最小二乘法和PCA在相同條件下擬合指針直線，實(shí)驗(yàn)結(jié)果如圖6所示。

實(shí)驗(yàn)結(jié)果表明，如圖6a）所示，當(dāng)指針處于水平并有一定的旋轉(zhuǎn)角度時(shí)，PCA和最小二乘法有著接近的直線擬合能力，但也存在細(xì)小差別，PCA擬合的直線方向更接近指針?biāo)阜较颉ｋS著指針旋轉(zhuǎn)角度增大，在接近與水平位置垂直時(shí)，如圖6b）、圖6c）所示，分別代表不同方向的指針垂直情況，最小二乘法因在計(jì)算誤差時(shí)只考慮了在[y]軸上的垂直距離，所以導(dǎo)致直線擬合能力明顯變差。在極端情況下，即指針完全垂直時(shí)，最小二乘法甚至無(wú)法正常擬合直線。相對(duì)而言，PCA能夠在指針任何旋轉(zhuǎn)角度下確定指針的方向。

2.4" 儀表讀數(shù)實(shí)驗(yàn)

為驗(yàn)證基于關(guān)鍵刻度點(diǎn)的讀數(shù)方法的準(zhǔn)確性，與文獻(xiàn)[14]所用的最大最小刻度角度法讀數(shù)、文獻(xiàn)[15]所用的基于極坐標(biāo)變換的距離法讀數(shù)進(jìn)行對(duì)比。實(shí)驗(yàn)分為8組，如表3所示，分別使用不同類(lèi)型的一共8個(gè)指針式儀表進(jìn)行讀數(shù)，得到的實(shí)驗(yàn)結(jié)果如表4所示。

從表4可以看出：對(duì)于常見(jiàn)的圓形指針式儀表，三種方法都能有效讀數(shù)，量程越小誤差越小，隨著量程增大，最大最小刻度角度法誤差明顯增大；對(duì)于刻度區(qū)域?yàn)樯刃蔚膬x表，序號(hào)為G6～G8，基于極坐標(biāo)變換的方法表現(xiàn)出較好的魯棒性，在序號(hào)為G8的實(shí)驗(yàn)中，基于極坐標(biāo)變換的距離法讀數(shù)誤差最小。綜上所得，本文采用的讀數(shù)方法整體誤差更小，且適用于各種類(lèi)型的指針型儀表讀數(shù)，具有較強(qiáng)的魯棒性。

3" 結(jié)" 論

針對(duì)光照不均、儀表傾斜等因素導(dǎo)致儀表特征區(qū)域無(wú)法提取、儀表讀數(shù)誤差變大的問(wèn)題，本文提出基于U2?Net和自適應(yīng)MSRCR的指針式儀表讀數(shù)方法。首先通過(guò)改進(jìn)U2?Net，提高對(duì)表盤(pán)、指針、刻度的分割效果；經(jīng)透視變換后，使用自適應(yīng)MSRCR算法增強(qiáng)關(guān)鍵區(qū)域的對(duì)比度；最后，通過(guò)直線擬合和識(shí)別儀表刻度值，采用角度法實(shí)現(xiàn)讀數(shù)識(shí)別，使得讀數(shù)誤差小于0.89%。

注：本文通訊作者為喬逸天。

參考文獻(xiàn)

[1] ZHAI X P， TIAN J Y， LI J F. An accurate reading algorithm for substation pointer meters based on improved 2?D gamma function and PA?RetinaNet [J]. IEEE sensors journal， 2023， 23（12）： 13738?13750.

[2] 孫順遠(yuǎn)，魏志濤.基于刻度輪廓擬合的指針式儀表自動(dòng)識(shí)別方法[J].儀表技術(shù)與傳感器，2022（8）：51?57.

[3] 朱斌濱，樊紹勝.雨霧環(huán)境下的變電站指針式儀表識(shí)別方法[J].激光與光電子學(xué)進(jìn)展，2021，58（24）：221?230.

[4] WU X A， SHI X B， JIANG Y C， et al. A high?precision automatic pointer meter reading system in low?light environment [J]. Sensors， 2021， 21（14）： 4891.

[5] GE W Q， YU X G， HU X Y， et al. An optimized design of the pointer meter image enhancement and automatic reading system in low illumination environment [J]. Measurement science and technology， 2023， 34（10）： 105907.

[6] ZHANG X， DANG X， Lü Q S， et al. A pointer meter recognition algorithm based on deep learning [C]// 2020 3rd International Conference on Advanced Electronic Materials， Computers and Software Engineering （AEMCSE）. New York： IEEE， 2020： 283?287.

[7] LI D H， LI W X， YU X， et al. Automatic reading algorithm of substation dial gauges based on coordinate positioning [J]. Applied sciences， 2021， 11（13）： 6059.

[8] 胡秀軍，于鳳芹.基于單參數(shù)同態(tài)濾波與全局對(duì)比度增強(qiáng)的指針儀表讀數(shù)識(shí)別方法[J].儀表技術(shù)與傳感器，2021（5）：42?46.

[9] HOU L， WANG S， SUN X， et al. A pointer meter reading recognition method based on YOLOX and semantic segmentation technology [J]. Measurement， 2023， 218： 113241.

[10] ZUO L， HE P， ZHANG C， et al. A robust approach to reading recognition of pointer meters based on improved mask?RCNN [J]. Neurocomputing， 2020， 388： 90?101.

[11] HUO F C， LI A， REN W J， et al. New identification method of linear pointer instrument [J]. Multimedia tools and applications， 2023， 82（3）： 4319?4342.

[12] SHAN W， BAI F， XU Y， et al. Perspective deformation correction for circular pointer meter based on prior indication structure feature [J]. Measurement， 2024， 229： 114423.

[13] 王利娟，常霞，張伯妍.基于MSRCR的自適應(yīng)低照度圖像增強(qiáng)[J].現(xiàn)代電子技術(shù)，2022，45（2）：155?161.

[14] CHEN L S， WU X， SUN C， et al. An intelligent vision recognition method based on deep learning for pointer meters [J]. Measurement science and technology， 2023， 34（5）： 055410.

[15] 陳從平，王欽，姚威.基于機(jī)器視覺(jué)的指針式儀表自動(dòng)讀數(shù)算法[J].傳感器與微系統(tǒng)，2022，41（10）：130?133.

基金項(xiàng)目：四川省科技成果轉(zhuǎn)移轉(zhuǎn)化項(xiàng)目（2022ZHCG0099）；國(guó)家自然科學(xué)基金項(xiàng)目（61875166）

作者簡(jiǎn)介：李" 麗（1979—），女，遼寧葫蘆島人，工程師，主要從事航空管制與信息處理研究。

喬逸天（1999—），男，四川成都人，碩士研究生，主要從事圖像處理方面研究。

黃小龍（2000—），男，四川德陽(yáng)人，碩士研究生，主要從事圖像處理方面研究。

謝維成（1973—），男，重慶忠縣人，碩士研究生，教授，碩士生導(dǎo)師，主要從事智能信息處理研究。

蔣文波（1981—），男，重慶萬(wàn)州人，博士研究生，教授，碩士生導(dǎo)師，主要從事光學(xué)信號(hào)處理方法與技術(shù)研究。