电力行业是国民经济的基础性、支柱性、战略性产业。变电站、配电站是电力系统中的重要枢纽,而测量仪表在他们的稳定运行中扮演重要角色。出于多方因素考量,测量仪表需定时巡检,而人工巡检的方式严重依赖于值班员的责任心、专业知识,效率低且准确性、实时性差。本文利用深度学习、计算机视觉技术,实现变电站、配电室场景中仪表的表盘指针实例分割、图像配准以及自动判读。本文主要内容为:针对现场图像背景复杂、光照不均以及Mask RCNN对于细小的指针目标检测、分割效果不佳的问题。提出了一种基于改进Mask RCNN的多任务实例分割模型,使用了PRELU、Pr Ro I Pooling,获取具有准确位置信息的共享特征层;改进Mask分支输出结构提高实例分割性能;在Mask分支上使用Focal loss损失函数,平衡难易、正负样本。仪表数据集的实验表明,本文方法的目标检测与实例分割的F1 scores较改进前的原Mask RCNN分别提高了3.48%和13.3%。由Mask RCNN提取的仪表Mask一般不满足指针仪表读数准则,因此需要图像配准。针对实际采集的具有透射变换、阴影、反光、噪声的仪表图像,提出基于CBAM网络的D2-net模型,在主干特征提取网络引入注意力机制使网络选择性地聚焦在显著的部分,以捕捉更好的视觉结构。在仪表数据集上的实验证明,本文CBAM D2-net在像素阈值大于5px、6px的情况下,MMA相比经典特征提取算法最多提高了18%,相比改进前D2-net,MMA最多提高了5%。针对角度法读数的偏心误差问题与读表系统泛用性问题,提出了一种以角度法为核心的仪表读数方法,并基于RANSAC算法拟合仪表角度判读模型,最终构建了仪表检测与判读系统。由视点变化、光照变化两方面的实验证明:本文系统在视点变化实验上MAE与其他方法相近,在光度变化实验上对于所有样本均配准并读数成功,表现出了最高的稳定性。综上所述,本文的仪表检测与判读系统在所有的实验中精度均在误差允许范围之内,并在视点变化、光照变化两方面表现无明显波动。实验证明,本文所提系统效果良好,符合实际所需。