为保证电气化铁路运行的可靠性、经济性,国家铁路大力推广牵引供电无人值守系统,以机器人智能巡检替代劳动强度大、检测质量分散、主观因素多的人工巡检,加速牵引变电所的无人值守化进程。作为变电所日常巡检的“主力兵”,巡检机器人可借助机器视觉技术完成表计识别任务,但移动机器人的系统误差和机械误差往往会使得目标仪表并不在图像中心位置,此时较难定位复杂环境中的表盘;同时雾霾、阴雨天及夜间等巡检环境也使得检测出的表盘存在部分光照不足的低光图像,严重影响后续仪表识别的精确度;另外,变电所现存的避雷器泄漏电流表、主变压器油温表、主变压器油枕油位表等特殊仪表需要针对性设计适合的仪表识别算法。因此,本文针对上述问题展开研究,主要工作内容如下:首先,由于传统方法检测效率低、泛化能力弱以及需要输入清晰的待检测图像,因此本文提出一种改进YOLOv3深度学习检测模型来完成变电所表盘区域检测任务。该改进算法用Soft-NMS替代YOLOv3原本的NMS以更适用于密集和存在目标遮挡的应用场景,对多尺度检测网络的输出进行Gaussion建模并用模型的标准差来估计检测框的位置置信度,以使检测框更接近真实物体,随后结合预训练数据集和自建变电所仪表数据集训练改进的YOLOv3模型,以适应牵引变电所实际的巡检环境。相比于传统方法,本文改进YOLOv3模型不需要图像预处理并且具有极强的抗干扰性,在低光移动环境下能检测提取出目标仪表表盘区域,大大减少了后续仪表识别算法的计算复杂度。然后,针对检测的部分低光表盘图像,本文利用分数阶微分重构低光图像的光照先验和反射先验,并采用更贴近真实相机曝光的相机响应函数来调整光照图像的亮度信息,得到一种基于分数阶改进Retinex的低光增强算法。为提取图像低光区域更多暗内容,本文选择进行二次增强处理并利用Fast ABF算法滤除环境噪声,在此基础上又提出一种低光增强融合算法,通过对原图、第一次低光增强图像、Fast ABF增强图像以及第二次低光增强图像分别进行拉普拉斯金字塔分解并乘以对应的高斯权重矩阵,融合得到最终的增强图像。实验证明该低光增强融合算法在提取图像低光区域更多暗内容的同时也能较好保存图像细节信息,并且在增强亮度和避免过度曝光之间也实现了良好的平衡,为后续仪表识别算法提供了清晰的表盘图像。最后,本文结合透视变换和SIFT特征点配准的方法矫正了部分形变的表盘图像,并针对变电所室外主要存在的三种仪表,设计了基于动态阈值分割的避雷器泄漏电流表识别算法、基于Hough矩形检测的主变压器油温表识别算法以及基于FCM和Otsu组合分割的主变压器油枕油位表识别算法。另外,本文在Microsoft Visual Studio 2015与Open CV3.4.3的环境下编译并调试好上述三类仪表识别算法,并设计了牵引变电所仪表识别软件。实验证明,本文设计的三种仪表识别算法得到的读数和人工读取的数值基本一致,平均识别准确率均达到了实际应用要求。