【儀表網(wǎng) 研發(fā)快訊】近日，計算機(網(wǎng)安)學院在計量測試領域國際頂級期刊《IEEE Transactions on Instrumentation and Measurement》(中科院二區(qū)TOP期刊，IF=5.6)上發(fā)表關于工業(yè)指針式儀表自動化讀數(shù)的研究論文“A Keypoint-Driven Robust Pointer Meter Reading Method With Enhanced Structure for Complex Environments”(DOI: 10.1109/TIM.2025.3552871)。該論文以我校為第一單位，碩士研究生汪俊偉為第一作者，曾金全副教授為論文通訊作者。
 

 

　　該研究旨在解決復雜環(huán)境下的儀表讀數(shù)難。隨著智能巡檢機器人、定點監(jiān)控攝像頭等設備的普及，工業(yè)場景中的儀表自動讀數(shù)需求日益增長。然而，在實際應用中，光照變化、惡劣天氣、儀表傾斜等因素常導致數(shù)據(jù)采集質(zhì)量不穩(wěn)定，傳統(tǒng)基于圖像分割的讀數(shù)方法(如依賴刻度線與指針的精確識別)在復雜環(huán)境下表現(xiàn)不佳。例如，霧天或低光照條件下，儀表輪廓模糊；安裝角度傾斜時，傳統(tǒng)算法難以準確校正。如何實現(xiàn)高魯棒性的自動讀表，成為工業(yè)智能化轉(zhuǎn)型中的一大挑戰(zhàn)。
 

　　針對以上問題，該研究提出關鍵點驅(qū)動+點結構增強的解決方案。設計了一種基于關鍵點結構增強的KSE-CenterNet網(wǎng)絡，該網(wǎng)絡包含關鍵點結構注意力(KSA)模塊和注意力融合模塊(AFM)，能夠同時實現(xiàn)儀表檢測、關鍵點檢測、指針分割和儀表范圍識別。KSA 模塊通過自適應學習局部區(qū)域的空間關系，在特征提取過程中增強關鍵點的空間結構。AFM 模塊在特征融合過程中增強來自更深層的語義信息，自適應調(diào)整特征。通過簡單識別指針式儀表的四個關鍵點(范圍起始點、范圍終點、表盤中心點和指針終點)來完成讀數(shù)，無需依賴完整的刻度或指針分割。并基于透視變換原理，利用檢測到的關鍵點自動校正傾斜或旋轉(zhuǎn)的儀表圖像，消除角度干擾。
 

　　該研究為工業(yè)智能化普適性工具的發(fā)展提供了參考。首先擺脫了對完整語義信息的依賴，僅需關鍵點即可完成讀數(shù)，降低了對圖像質(zhì)量的苛刻要求。其次，KSA和AFM模塊可遷移至其他關鍵點檢測任務，如工業(yè)零件定位或醫(yī)療影像分析。適用于巡檢機器人、無人機等移動設備，推動無人化運維的落地。這一成果為復雜環(huán)境下的自動化檢測提供了新思路，未來或可擴展至水表、氣表等多種指針式儀表的智能識別領域。在工業(yè)4.0的浪潮中，如何讓AI“看得清、讀得準”是關鍵技術瓶頸。本研究通過關鍵點驅(qū)動和結構增強，為這一難題交出了一份高效答卷。