简介
16年的时候，开始接触到仪表识别的需求，在机器视觉领域这是一个非常小众的需求，虽然出来的很早，但是随着电子表的普及，应用领域是越来越少。从技术上来讲，没事的时候可以好好拿来历练下技术修养。仪表识别所要完成的任务如下图所示：
问题难点
仪表识别的应用难度是高于人脸识别的，主要的难点如下：
1）应用场景复杂，一般是工厂，变电站，野外能源输送管道；
2）表的表现形式纷繁复杂，分为状态表、指针表和数码表，同种类的表又是不同的用途、量程；
3）环境干扰严重，因为处在自然环境中，免不了各种干扰，有其实光线造成的表面反光。
4）最困难的一点就是前景堪忧，电子表逐渐普通，要不了多少年老表被替换了以后，就不会有类似的需求了。
解决方案
仪表识别相关的技术很早就有了，深度学习兴起之前就有传统图像处理，如svm，adaboost，边缘检测，阈值分割等，目前基于深度学习的机器学习用的更广泛一些。依我来看，传统的方法效果太差，无法达到方便易用的境界。
技术基础
状态表和数码表，现在基于卷积神经网络，识别率可达99%以上，超过人的识别能力。
指针表还是比较困难的，很多人还是采用匹配的方法，因为大部分需要改造的表读数都是离散的几个值，通过建库对比，就可以达到识别的效果，只是并非真的识别。那些采用hough检测的方法虽可称的上识别，但是缺陷相当明显，对成像质量要求比较高，光线变化强烈本质上就解决不了，只能用在理想环境下。
我自己做的技术则完全是基于机器学习，对光线、模糊、角度遮挡都具有极大的抗性，效果如下所示：
应用形式
应用形式主要有：1）监控，2）手持设备，3）机器人，4）边缘计算设备。
监控系统还是比较成熟的，从设备到软件，基本满足所有行业的需求，加入仪表识别功能花不了太多时间，主要麻烦的就是现场安装部署，因此小公司只能做局部区域的业务。
手持设备还是比较方便的，不过这方面的应用不是为了替换人工，大多是在现有应用上加一个这种功能，基本上很难的遇到类似的需求。
机器人的话就门槛就比较高了，光机器人就比较贵，而且很多工业环境不是适合用工业机器人。
边缘计算设备，大部分也可以作为特种设备，有的公司做一个能采集图像的设备贴在仪表上，能隔绝掉大部分环境干扰，让识别更加容易可控，问题是引入安全隐患，毕竟是电子设备，总是会坏掉，最怕就是短路，塑料的外壳容易烧起来，防爆的又太重，有的表无法支撑。
个人推荐还是用监控类的设备。
其他
从16年到现在，接触这方面的东西还是不少，虽然总是此起彼伏有口号要改造现有设备，但是大部分还是通过改造成有数据上传功能的仪表，而且现在仪表的保质期最低都是16年，是非常完善的系统。而且挣钱的往往是配套系统，或者设备，基于图像的仪表识别算法没有什么钱途，单从技术极客的角度上来看，有挑战技术极限的趣味。
