智能电表的外观缺陷是其质量检测的重要内容。目前常见的电能表外观缺陷检测方法主要有人工目视检测和机器视觉检测方法。人工目视检测不仅耗费时间长、成本高,而且检测效率极其低下,漏检率极高,不能很好地满足工业快速检测要求,机器视觉检测的常用方法为模板匹配法。由于不同厂家生产的电能表在外观、大小等方面存在一些差异,因此该方法经常出现模板匹配失败的问题,需要停工重新制作模板,影响检测效率。为解决上述问题,本文设计了一种基于深度学习的电能表外观显示缺陷检测系统,能够实现对电能表LCD液晶屏、外观铭牌信息以及LED拉闸灯的缺陷检测。相对于传统的模板匹配方法,本文对于LCD液晶屏的检测使用深度学习方法,该方法无需制作模板,且可实现较好的漏检效果,同时本系统具有外观铭牌信息缺陷检测以及LED拉闸灯缺陷检测功能。本文具体内容如下:(1)为提高系统检测准确率,对检测图像进行了预处理,包括图像灰度化、LSD直线检测以及倾斜校正。(2)在液晶屏字符漏检方面,根据其字符特征,将字符区域分为普通字符区域与数码管字符区域两类进行检测。首先使用CTPN方法对液晶屏中的所有文本进行检测,之后对普通字符进行CRNN识别,对数码管区域进行连通域检测,最终根据两个区域的总体检测结果确定液晶屏字符是否漏显。(3)在外观铭牌检测方面,使用模板匹配方法,通过比较测试图片与模板图片信息相似度确定铭牌信息是否显示正常,为此设计了字符标注软件,通过该软件对铭牌信息区域进行标注确定其坐标,并可通过该软件实现对模板的快速制作,并设置对应信息区域的检测阈值。(4)在LED拉闸灯检测方面,放弃了对于LED拉闸灯的直接定位,改用模板匹配方法定位“拉闸”两个字符的位置,之后根据其与拉闸灯的相对坐标确定拉闸灯的坐标,实现对拉闸灯明灭状态的精确检测。本系统对电能表LCD液晶屏进行检测时无需制作模板,可对不同厂家、不同尺寸的电能表统一进行检测,且对一些质量较差的电能表图片(如阴影图片)仍然有较好的检测效果,对于数码管区域,本方法能够有效地检测出缺陷图片以及具有划痕的图片;对于外观铭牌信息的检测,本方法能够简单方便地标定检测项,可以随意地增加或者减少检测项;对于LED拉闸灯的检测,本方法可以准确地定位拉闸灯区域,实现后续的检测。目前该系统已在广东电力公司测试使用,LCD屏的检测正确率均达到了92.7%,外观铭牌的检测准确率达到了98%,LED拉闸灯检测准确率达到了96.2%,可以对电能表的外观显示缺陷进行快速、准确地检测,保证电能表的出厂合格率。