1.一种基于深度学习的指针式仪表识别及读数方法，其特征在于，包括以下步骤：步骤1、通过巡检机器人获取仪表图像，进行预处理并使用标注软件进行人工标注表盘，将标注好的图像划分为训练集和验证集，构建数据集A；

步骤2、根据构建的仪表数据集A，搭建并训练仪表目标检测模型；

步骤3、使用仪表目标检测模型对数据集A进行识别，根据仪表位置信息对原图进行裁剪；

步骤4、用步骤3所裁剪图像构建指针与量程分割数据集B，对指针和量程分别进行标注，将标注好的图像划分为训练集和验证集；

步骤5、根据构建的数据集B，搭建并训练指针目标检测模型与量程语义分割模型，得到指针目标检测模型和量程语义分割模型；

步骤6、根据步骤5中训练好的指针目标检测模型与量程语义分割模型，对仪表的指针和量程进行识别和分割，得到指针图像和量程图像；

步骤7、对步骤6中识别出的量程和指针图像进行处理，最终根据角度法进行数值计算，得到指针读数；

所述步骤7还包括以下步骤：

步骤7‑1、对识别出的量程图像进行预处理，包括灰度化处理、膨胀处理、二值化处理，运用OpenCV计算机视觉开源库对获得量程图像进行椭圆拟合，椭圆中心O就是指针回转中心；

步骤7‑2、基于步骤7‑1，制作椭圆边的mask图，将mask图与量程的膨胀图进行交运算，得到量程的拟合曲线，根据卷积原理，定义3*3的卷积核遍历该曲线，找到量程的两个端点，分别为最小量程点P1和最大量程点P2，运用OpenCV库计算从OP1顺时针到OP2所转过的角度，记角度为θ；

步骤7‑3、对识别出的指针图像，进行掩膜处理，只保留指针部分；

步骤7‑4、基于步骤7‑3，对指针图像进行OTSU二值处理并使用Canny算子检测边缘，对边缘图进行HoughLine检测，得到指针的两端点，距离点O较近的为端点C，距离点O较远的为端点D，运用OpenCV库计算从OP1顺时针到OD所转过的角度，记角度为r；

步骤7‑5、根据指针所在刻度的拟合曲线上的位置，根据角度法进行读数，读数其中Vmin表示最小量程值，Vmax表示最大量程值。

2.根据权利要求1所述的基于深度学习的指针式仪表识别及读数方法，其特征在于，所述步骤1中，针对仪表图像的采集，要求在不同背景、光照、拍摄角度、尺寸的条件下进行采集。

3.根据权利要求1所述的基于深度学习的指针式仪表识别及读数方法，其特征在于，所述步骤1中，利用图像增强技术对数据集进行扩充。

4.根据权利要求1所述的基于深度学习的指针式仪表识别及读数方法，其特征在于，所述步骤1中，利用labelImg工具对仪表表盘进行标注。

5.根据权利要求1所述的基于深度学习的指针式仪表识别及读数方法，其特征在于，所述步骤1中，把采集的图像进行划分，使训练集图像和验证集图像分别占总图像数的90％和

10％。

6.根据权利要求1所述的基于深度学习的指针式仪表识别及读数方法，其特征在于，所述步骤2中，仪表目标检测模型基于YOLOv5进行搭建。

7.根据权利要求1所述的基于深度学习的指针式仪表识别及读数方法，其特征在于，所述步骤4中，利用labelImg工具对仪表指针进行标注，利用labelme工具对仪表量程进行标注。

8.根据权利要求1所述的基于深度学习的指针式仪表识别及读数方法，其特征在于，所述步骤5中，指针目标检测模型基于YOLOv5进行搭建，量程语义分割模型基于DEEPLABv3+进行搭建。