仪表识别是工业 AI 里看起来简单、做起来讲究的一类应用：把摄像头对准指针表，算法读出指针位置，换算成读数，替代人工抄表。但实际项目里，“演示很准、上线老读错”的情况并不少见。很多时候算法不背锅，问题出在三个前置条件上——点位怎么选、像素够不够、光照稳不稳。这三件事定住了，仪表识别的准确率才有基础，这也是AI算法落地里常说的一句话：先满足识别条件，再谈算法效果。

一：点位怎么选：正对表盘，避开斜角

点位是第一位的。装过监控的都知道摄像头能拍到表，但“拍到”和“读准”之间差着距离。

最基本的要求是正对表盘。摄像机光轴和表盘平面的夹角越大，指针在画面里的位置偏差越大——这是几何问题，不是算法能完全纠正的。斜着看表，指针尖端在刻度上的投影位置会系统性偏移，读数就带上固定误差。现场条件限制实在正对不了的，也要把偏差角控制在尽量小的范围，并在验收时按实测误差说话。

第二个要点是一机多表的取舍。一个画面里塞三四块表看着省点位，但每块表分到的像素就少了，读数精度直接下降。原则很简单：越重要的表，越值得单独一个点位看清读全；次要的表可以拼画面，但验收口径要相应放宽。

第三个要点是环境。表盘前有蒸汽、油雾、粉尘的，先解决环境问题再上识别；震动大的管线上的表，画面会抖，要考虑加装减振支架。这些勘察阶段都要过一遍。

**二：像素够不够：指针尖端要“数得清”}

像素决定了算法能看到什么。经验口径是：指针表要读得准，表盘在画面里的宽度要占够像素，指针尖端的移动在画面上要有足够的分辨率去分辨——指针从一个最小分度移动到下一个分度，画面里得能看出变化。像素不够，算法再强也是在猜。

所以配置时要算账：镜头焦距、安装距离、传感器分辨率，三个参数合起来决定表盘占多少像素。选型时先按点位勘察的距离算一遍，拿不准就现场拿测试机架一下，别等装完才发现表在画面里只有一小块。

液位计、翻牌式水位这类目标大的仪表，像素压力小一些；小直径压力表、刻度密的仪表，像素要求反而最高。同样是“看表”，不同仪表的点位预算不一样。

**三：光照稳不稳：反光和夜间是两道坎}

玻璃表盘的反光是仪表识别里最常见的坑。机房灯、天窗、手电筒的光打在表盘玻璃上，一片亮斑盖住刻度，算法读到的是光斑不是指针。治理办法：调整摄像机角度避开主要光源的反射方向；表盘上方加遮光罩；实在避不开的点位，换防眩玻璃表盘或调整光源位置。

夜间读表是第二道坎。无人值守站点的仪表夜里也要读，需要红外补光配合。红外下指针和刻度的对比度与白天不同，算法的夜间模型要单独调，验收也要白天夜间分开测——只验收白天读数的项目，冬天夜长的时候就会暴露问题。

还有一个细节是灯光频闪。老式荧光灯管供电衰减后频闪明显，画面上表盘忽明忽暗，读数跳动。遇到这类站点，光源换掉往往比调算法管用。

四：给工程商的落地建议

先定验收口径再动手。和甲方把“误差多少个最小分度”“多久读一次”“异常读数怎么告警”写清楚，再按口径倒推点位和设备配置。没口径的项目，最后都是在互相拉扯。

选表试跑。挑现场几块代表性仪表先试——刻度密的、位置偏的、光照差的各选一块，试跑两周看真实误差，再决定全站推广的配置档位。

定期校核机制。算法读数和人工读数按月做一次比对抽检，偏差超了及时重新标定。仪表本身的检定周期也别漏——源头表不准，AI 读得再准也是在忠实转发一个错值。

最后要说明一点，仪表识别解决的是“读”这一环，读出来的数据要接进台账和告警策略才有价值；而源头仪表的选型、安装和检定，仍然是计量管理的基础。工程商把“读得准”的三个前置条件守住，抄表自动化这条线就立得住。