近日，计算机（网安）学院在计量测试领域国际顶级期刊《IEEE Transactions on Instrumentation and Measurement》（中科院二区TOP期刊，IF=5.6）上发表关于工业指针式仪表自动化读数的研究论文“A Keypoint-Driven Robust Pointer Meter Reading Method With Enhanced Structure for Complex Environments”（DOI: 10.1109/TIM.2025.3552871）。该论文以我校为第一单位，硕士研究生汪俊伟为第一作者，曾金全副教授为论文通讯作者。

该研究旨在解决复杂环境下的仪表读数难。随着智能巡检机器人、定点监控摄像头等设备的普及，工业场景中的仪表自动读数需求日益增长。然而，在实际应用中，光照变化、恶劣天气、仪表倾斜等因素常导致数据采集质量不稳定，传统基于图像分割的读数方法（如依赖刻度线与指针的精确识别）在复杂环境下表现不佳。例如，雾天或低光照条件下，仪表轮廓模糊；安装角度倾斜时，传统算法难以准确校正。如何实现高鲁棒性的自动读表，成为工业智能化转型中的一大挑战。

针对以上问题，该研究提出关键点驱动+点结构增强的解决方案。设计了一种基于关键点结构增强的KSE-CenterNet网络，该网络包含关键点结构注意力（KSA）模块和注意力融合模块（AFM），能够同时实现仪表检测、关键点检测、指针分割和仪表范围识别。KSA 模块通过自适应学习局部区域的空间关系，在特征提取过程中增强关键点的空间结构。AFM 模块在特征融合过程中增强来自更深层的语义信息，自适应调整特征。通过简单识别指针式仪表的四个关键点（范围起始点、范围终点、表盘中心点和指针终点）来完成读数，无需依赖完整的刻度或指针分割。并基于透视变换原理，利用检测到的关键点自动校正倾斜或旋转的仪表图像，消除角度干扰。

该研究为工业智能化普适性工具的发展提供了参考。首先摆脱了对完整语义信息的依赖，仅需关键点即可完成读数，降低了对图像质量的苛刻要求。其次，KSA和AFM模块可迁移至其他关键点检测任务，如工业零件定位或医疗影像分析。适用于巡检机器人、无人机等移动设备，推动无人化运维的落地。这一成果为复杂环境下的自动化检测提供了新思路，未来或可扩展至水表、气表等多种指针式仪表的智能识别领域。在工业4.0的浪潮中，如何让AI“看得清、读得准”是关键技术瓶颈。本研究通过关键点驱动和结构增强，为这一难题交出了一份高效答卷。