电力计量仪器的精度对于测量至关重要,需定期检测以保证其精度。而传统的数显式仪表不全都具备通信接口,无法直接获取标准测量仪表和被测仪表的数值,本文通过双相机分别采集其在快速升压和降压过程中的图像,自动识别仪表读数,最后对比标准表和被测表的结果,以判定被测表的精度。基于上述问题,设计并实现了一种基于深度学习的电力仪表视觉校对系统,系统主要包括终端、远程中心两部分。其中,终端主要以树莓派控制器为核心,负责双表的示数采集和图像压缩处理;远程中心的功能主要是负责仪表图像识别,并将识别结果进行入库操作,实现数据的存储和监管。本文的主要工作包括以下方面:终端的核心采用树莓派3b作为控制器,比自主搭建的嵌入式硬件设备更加稳定和强大,利用树莓派自带的专用摄像头模块采集仪表示数图像,并通过树莓派板载wifi模块与远程中心进行通讯。在图像传输过程中,网络带宽和数据大小等均会影响仪表示数校对的实时性。因此在终端程序设计中,采用H.264视频编码算法对传输图像进行压缩编码,并通过实验对比验证了H.264视频编码器的性能。通过对ZFNet、AlexNet、VGG-16等常用卷积神经网络的网络结构和网络性能进行对比和分析,并结合在ImageNet数据集上的实验结果,设计了特征提取层采用VGG-16、目标检测算法选择Faster-Rcnn的方案。将数据集通过缩放的方式增加样本容量,利用Labelimg标注工具进行标注,在搭建好的系统平台下训练目标检测模型,借助微调模型、参数调整等方法对模型进行优化。实验结果证明了模型的有效性,能准确定位框的位置并识别出正确结果。本文设计的系统通过实验和测试表明,系统能完成项目所要求的功能,运行稳定。传输模块中图像能稳定正确地发送至远程中心;在远程中心图像识别模块中程序能正确识别出仪表字符,并且识别时间仅0.3s,满足项目实时识别要求。