近日，計算機(網安)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TOP期刊，IF=5.6)上發表關于工業指針式儀表自動化讀數的研究論文“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境下的儀表讀數難。隨著智能
巡檢機器人、定點監控攝像頭等設備的普及，工業場景中的儀表自動讀數需求日益增長。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據采集質量不穩定，傳統基于圖像分割的讀數方法(如依賴刻度線與指針的精確識別)在復雜環境下表現不佳。例如，霧天或低光照條件下，儀表輪廓模糊；安裝角度傾斜時，傳統算法難以準確校正。如何實現高魯棒性的自動讀表，成為工業智能化轉型中的一大挑戰。
針對以上問題，該研究提出關鍵點驅動+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網絡，該網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，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的儀表圖像，消除角度干擾。
該研究為工業智能化普適性工具的發展提供了參考。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，降低了對圖像質量的苛刻要求。其次，KSA和AFM模塊可遷移至其他關鍵點檢測任務，如工業零件定位或醫療影像分析。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動和結構增強，為這一難題交出了一份高效答卷。
