《Electronics》：Analysis of Automated Digital Multimeter Readings Using LabVIEW OCR and YOLOv8s-Based Object Detection
编辑推荐：
当数字仪器不提供直接通信接口，或长期测量需要高重复性和减少操作员干预时，测量数据采集的自动化尤为重要。本文提出了一种基于图像的光学读取方法的比较研究，用于获取数字万用表的示值。参考信号由Fluke校准器生成，而万用表显示由工业相机记录。使用两种不同的识别策略独
当数字仪器不提供直接通信接口，或长期测量需要高重复性和减少操作员干预时，测量数据采集的自动化尤为重要。本文提出了一种基于图像的光学读取方法的比较研究，用于获取数字万用表的示值。参考信号由Fluke校准器生成，而万用表显示由工业相机记录。使用两种不同的识别策略独立处理采集的图像。第一种方法在Python环境中实现，使用经过训练的You Only Look Once version 8 small（YOLOv8s）深度学习目标检测模型来分类单个显示字符。第二种方法在Laboratory Virtual Instrument Engineering Workbench（LabVIEW）中实现，使用NI Vision Assistant中基于模板的光学字符识别（OCR）方法。针对不同电压范围进行了采集系列，为每个流水线和测量案例采集了100个样本。所有图像采集实验均在受控实验室条件下进行，固定相机位置、恒定感兴趣区域（ROI）和稳定照明。检测或识别出的字符被重建为数值，并与校准器的参考设置进行比较，基于描述系列内离散度和读数偏差的统计参数。本研究评估了两种方法的实际适用性，并展示了非侵入式光学读取方法在测量仪器示值自动采集中的潜力。
**基于LabVIEW OCR与YOLOv8s的数字万用表自动读数方法对比研究**
**研究背景与问题**
在计量学与工业实践中，许多测量仪器（如数字万用表）不具备直接数据传输的通信接口，仍依赖人工读取显示值，这限制了测量过程的自动化，尤其在需要长期监测或高重复性场景下。现有基于相机的视觉系统虽可解决部分问题，但传统图像处理方法（如阈值分割、模板匹配）对光照、反射等条件敏感，且深度学习模型需大量标注数据。本研究旨在比较两种非侵入式光学读取方法——基于LabVIEW的模板匹配OCR（光学字符识别）与基于Python的YOLOv8s（You Only Look Once version 8 small，一种轻量级目标检测模型）目标检测——在受控实验室条件下自动读取数字万用表示值的性能，为自动化数据采集提供实用方案。该研究发表在《Electronics》期刊上。
**主要关键技术方法**
研究人员采用以下两种独立的光学读取流水线：1）LabVIEW方法：在NI Vision Assistant中准备OCR字符集（基于预采集的万用表显示图像），配置分割与阈值参数，实现模板匹配识别；2）Python方法：基于Ultralytics框架训练YOLOv8s模型，使用300张实验室采集图像（2447个标注字符实例，含13类：数字0-9、小数点、正负号），采用预训练权重、AdamW优化器、200轮训练及数据增强（HSV变换、旋转、平移等）。实验装置包括Fluke 5522A校准器（参考源）、Keysight 34465A数字万用表（显示仪器）和Basler acA1440-220um工业相机（固定位置、恒定ROI与照明）。对每个测量案例采集100个样本，重建数值后统计标准差、范围等参数。
**研究结果**
**8.1 DC电压测量（1V量程，10 PLC设置）**：通过对比两种方法采集的100个读数，Python方法读数集中在主导值附近，LabVIEW方法在相邻值间频繁切换。统计结果显示，Python方法的标准差和范围更小，说明其重复性略高。
**8.2 DC电压测量（1V量程，1 PLC设置）**：较短的积分时间导致两类方法波动均增大，但所有读数仍在公差带内。Python方法仍表现出更低的离散度，表明其对短时波动敏感性较低。
**8.3 AC电压测量（1V量程）**：两种方法读数吻合良好，统计参数（均值、标准差、范围）几乎一致，说明在AC条件下两者具有相似的重复性。
**8.4 所有电压范围的总体统计**：总结表显示，在DC测量中，Python方法在6个案例中5个获得更低标准差、4个获得更小范围；在AC测量中，性能取决于量程（100 mV时LabVIEW更优，1 V时两者相当，10 V时Python更优）。
**讨论与结论**
两种方法均能实现稳定的自动读数，但实际适用性取决于实验室场景。LabVIEW方法适合已采用NI硬件/软件生态、需快速集成现有图形化应用的实验室；Python/YOLOv8s方法更适合开放、可扩展环境，便于后续集成机器学习或适配其他仪器。研究结论指出，没有一种光学读取流水线在所有电压范围内统一优越，选择应基于具体测量配置和实验室基础设施。对于DC电压，Python方法通常提供更低离散度；对于AC电压，相对性能依赖于量程。由于两种方法在独立采集系列中评估，观察到的差异代表完整的采集-识别-重建流水线行为，不能单独归因于OCR或目标检测算法。未来工作需系统评估光照、视角等变化对性能的影响，并开展消融研究及与非YOLO模型的比较。
