文献综述（或调研报告）：
刘杨[1]对仪表图像进行处理之后提出了巡检机器人的指针式仪表识别方法，即通过图像预处理和同心圆环搜索法进行仪表识别，即通过图像预处理和同心圆环搜索法进行仪表识别。通过图像去雾，复原，去噪，阈值阉割等步骤，对图形的处理后的结果打到了令人满意的结果。
刘小波[2]基于深度学习模型CRNN，通过引入CTC loss算法将数字区域进行整行识别，无需切割，且识 别准确率高，鲁棒性强。同时在CRNN模型上引入当前 流行的attention机制，在一些特殊场景的识别上，获得了更佳的识别效果，解决了原始的CRNN模型无法处理的一些特殊场景问题。
郁飞针[3]对变压器油位仪的结构特点提出一种优化的指示仪表机器识别方法。该方法通过先采集指针式油位仪表的图像，在对仪表边缘检测的基础上进行二值化处理，得到完整清楚的仪表图像后利用霍夫变换计算出指针的方向，实现仪表读数的自动识别。
吴杰[4]提出了一种基于轮廓分离和径向分割的指针式仪表自动读数方法。首先考虑到仪表类型不同及表盘背景文字的干扰，提出仪表轮廓分离方法，较好地拟合出仪表盘所在圆；接着根据指针像素分布特性，提出径向分割算法来获取指针像素集，并建立基于距离约束的指针筛选机制，解决因仪表大小变化和宽窄指针对指针定位的影响;然后采用模板匹配法对刻度数字进行定位，计算仪表的量程精度，最后根据指针的角度和量程精度完成仪表的自动读数。
徐发兵[5]由于目前针对指针式仪表自动识别的研究大多基于 Hough 变换获取指针位置，但 Hough 直线检测对图像噪声也十分敏感，由于噪声的干扰，指针在图像中的边沿特征不明显，那么指针周围很有可能无法检测出直线，从而无法得到正确的结果。这类方法在遇到较大干扰时，往往会出现指针区域提取困难、指针中心线定位误差大以及识别精度较差等问题，难以满足实际使用要求。针对这个问题，本文献提出了一种基于深度学习的仪表检测与识别方法，该方法通过仪表刻度数字的位置信息确定仪表的指针和表盘中心位置，对于复杂背景下的指针区域提取与指针中心线定位具有良好的准确性与稳定性。
李全鹏[6]中由于巡检机器人受光照和拍摄角度的影响，采集的仪表图像经常会出现指针阴影。利用传统的图像分割方法往往会将部分或全部指针阴影分割为目标，从而影响后续仪表读数，文献6提出基于三次样条插值的指针式仪表图像分割方法，解决了指针阴影被分割为指针的问题，在保证提取到指针的同时，减少了刻度和字符被分割为目标的数量，进而减少了指针中心线定位阶段的运算浪费。
刘越[7]提出了一种针对k-means算法的改进，在保持k-means精确度不变的前提下，大大提高了算法的计算效率。
杨娜[8]在分析了现有归一化相关匹配算法的基础上,提出了一种快速归一化相关匹配算法。通过建立累加和表与平方和表减少匹配过程中互相关系数加减法的冗余计算,进而缩短归一化相关匹配的计算时间。实验验证该算法在无损匹配性能的条件下可以大大降低计算的时间消耗。
郑世娇[9]针对模糊图像的视觉定位问题,提出一种基于径向环形直方图的模版匹配算法,该算法采用了图像梯度直方图统计学特性,对非线性光照变化具有很强的鲁棒性,实现了多目标芯片在模糊成像条件下的快速精确匹配;针对规则几何特征物体的视觉定位问题,提出了基于多边形几何特征不变的广义霍夫变换算法,该算法采用物体局部几何三角形作为匹配特征,对物体平移、旋转、缩放具有不变性,实现了多目标规则几何物体的高速(小于5毫秒)视觉定位功能;针对复杂形状特征物体的视觉定位问题,提出了一种基于边缘梯度矢量特征的图像匹配算法,该算法选取稳定边缘点的梯度作为匹配特征,对噪声、干扰、遮挡、非线性光照变换具有很强的鲁棒性,采用硬件加速技术实现了多目标复杂形状物体实时在线高精度匹配。
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
