1.一种基于深度学习的工业指针式仪表读数识别系统，其特征在于，包括：

数据集构建与划分模块，用于构建并划分工业指针式仪表图像数据集；

工业指针式仪表读数提取网络模块，用于提取工业指针式仪表指针与刻度的语义分割图像；

工业指针式仪表读数识别模块，用于使用霍夫圆变换与角度法读取指针与刻度的语义分割图像；

所述数据集构建与划分模块与所述工业指针式仪表读数提取网络模块相连接，所述工业指针式仪表读数提取网络模块与所述工业指针式仪表读数识别模块相连接；

所述工业指针式仪表读数提取网络模块是由读数提取网络一级子模块、模型训练与验证一级子模块和指针与刻度提取一级子模块组成；

所述读数提取网络一级子模块是由多残差小目标特征提取二级子模块、多种类空洞卷积特征提取二级子模块和指针仪表细节特征信息提取二级子模块组成；

所述工业指针式仪表读数提取网络模块的具体流程如下：

S1：运用读数提取网络一级子模块对数据集构建与划分模块构建的工业指针式仪表图像数据集进行特征提取，生成指针与刻度的语义分割图像；

S2：运用模型训练与验证一级子模块训练与验证工业仪表指刻提取网络；

S3：在指针与刻度提取一级子模块中应用工业仪表指刻提取网络提取指针与刻度的语义分割图像；

所述S1的具体步骤如下：

S11：运用多残差小目标特征提取二级子模块提取原始指针与刻度的浅层特征和深层特征；

S12：运用多种类空洞卷积特征提取二级子模块提取多尺度深层工业指针式仪表图像特征；

S13：运用指针仪表细节特征信息提取二级子模块提取工业指针式仪表细节特征信息；

所述S13的具体步骤如下：

S131：将多尺度深层指针仪表特征图F5和浅层指针仪表特征图F2一并输入至指针仪表细节特征信息提取二级子模块，在指针仪表细节特征信息提取模块中有L1与L2两条处理路线：在L1中，多尺度深层指针仪表特征图F5经过大小为1×1的普通卷积与Sigmoid激活函数处理得到细节特征信息提取特征图F6，细节特征信息提取特征图F6的大小为256×256像素，通道数是64；在L2中，多尺度深层指针仪表特征图F5经过大小为3×3，空洞率为2的空洞卷积与Sigmoid激活函数处理得到细节特征信息提取特征图F7，细节特征信息提取特征图F7的大小为256×256像素，通道数是64；

S132：将浅层指针仪表特征图F2、细节特征信息提取特征图F6、细节特征信息提取特征图F7与多尺度深层指针仪表特征图F5连接起来并在通道维度上进行拼接，得到细节特征信息提取特征图F8，细节特征信息提取特征图F8的大小为256×256像素，通道数为256，之后将细节特征信息提取特征图F8输入至双线并行注意力三级子模块TPAM中；

S133：在双线并行注意力三级子模块TPAM中，将细节特征信息提取特征图F8通过双线性重塑，大小调整512×512像素，通道数调整为256，得到细节特征信息提取特征图F9；

S134：经过双线性重塑之后，并行地进行平均池化与最大池化，之后进行双1×1卷积的卷积操作，再相加，最后进行Sigmoid激活函数操作，得到细节特征信息提取特征图F10，细节特征信息提取特征图F10的大小为512×512像素，通道数为256，从细节特征信息提取特征图F9得到细节特征信息提取特征图F10的公式如下所示：F10＝σ(B1(Avg(F9))+B2(Max(F9))) (3)

其中，Avg()表示平均池化，Max()表示最大池化，B1()和B2()表示两个大小为1×1的卷积核的卷积组合运算，σ表示Sigmoid激活函数；

S135：对细节特征信息提取特征图F10进行卷积操作，卷积操作的卷积核大小为1×1，得到指针与刻度的语义分割图像，指针与刻度的语义分割图像大小为512×512像素，通道数为1。

2.根据权利要求1所述的一种基于深度学习的工业指针式仪表读数识别系统，其特征在于，所述数据集构建与划分模块的具体流程如下：流程一，构建工业指针式仪表图像数据集：首先使用摄像机采集工业指针式仪表图片数据，以形成工业指针式仪表分类数据集；然后将工业指针式仪表分类数据集中的每一张图片调整为统一大小，并对工业指针式仪表分类数据集的每一张图片中的指针和刻度进行标注，生成工业指针式仪表分割数据集；之后将工业指针式仪表分割数据集转换为语义分割数据集，并将语义分割数据集中每一张图片的RGB彩色标签转换为对应的单通道数字标签；最后，将工业指针式仪表单通道数字标签与工业指针式仪表分类数据集进行组合，构成一个工业指针式仪表图像数据集；

流程二，划分工业指针式仪表图像数据集：将经过S1构建的工业指针式仪表图像数据集，按照一定的比例划分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于深度学习的工业指针式仪表读数识别系统，其特征在于，所述S11的具体步骤如下：S111：原始指针仪表图像的大小为512×512像素，通道数为3，将原始指针仪表图像输入多残差小目标特征提取二级子模块后，先由大小为1×1，通道数为32的卷积核进行卷积操作，得到浅层指针仪表特征图F1，浅层指针仪表特征图F1的大小为256×256像素，通道数为32，之后，将浅层指针仪表特征图F1输入至特征融合卷积块中；

S112：将浅层指针仪表特征图F1输入至特征融合卷积块中，首先由大小为3×3，填充为1的卷积核进行卷积操作，其次经过ReLU激活函数处理，再由大小为3×3，填充为1的卷积核进行卷积操作，之后与浅层指针仪表特征图F1进行通道维度上拼接，最后使用大小为1×1，填充为0的卷积核调整通道数，得到浅层指针仪表特征图F2；

S113：对浅层指针仪表特征图F2进行空间特征压缩，即在空间维度上使用平均池化与最大池化并行处理浅层指针仪表特征图F2，得到长度为C的一维向量，之后对一维向量通过一维卷积C1Dt处理，并经过Sigmoid激活函数得到各个通道的权重w，最后将权重w与浅层指针仪表特征图F2相乘得到深层指针仪表特征图F3，其过程如下式(1)所示：F3＝w⊙F2＝σ(C1Dt(F3×3([AvgPool(F2)；MaxPool(F2)]))⊙F2 (1)其中，AvgPool表示平均池化，MaxPool表示最大池化，F3×3()表示卷积核大小为3×3的卷积操作，C1Dt表示卷积核大小为t的一维卷积，σ表示Sigmoid激活函数，⊙表示逐元素乘积，此外，C1Dt的作用是生成信道权值，t是根据输出特征的通道数c的映射自适应地确定：其中[]odd表示参数最近的奇数，ω、β和γ是超参数；

最后，将深层指针仪表特征图F3输入至多种类空洞卷积特征提取二级子模块中，深层指针仪表特征图F3的大小为128×128像素，通道数为64。

4.根据权利要求1所述的一种基于深度学习的工业指针式仪表读数识别系统，其特征在于，所述S12的具体步骤如下：S121：将深层指针仪表特征图F3输入至多种类空洞卷积特征提取二级子模块中，深层指针仪表特征图F3首先被四个空洞卷积并行处理，四个空洞卷积的空洞率分别为1、3、5和7，之后将深层指针仪表特征图F3分别通过空洞卷积操作得到多尺度深度特征图R1、多尺度深度特征图R2、多尺度深度特征图R3和多尺度深度特征图R4，最后将多尺度深度特征图R1、多尺度深度特征图R2、多尺度深度特征图R3、多尺度深度特征图R4和深层指针仪表特征图F3进行通道维度上的拼接，其中多尺度深度特征图R1、多尺度深度特征图R2、多尺度深度特征图R3和多尺度深度特征图R4的大小都为128×128像素，通道数为64；

S122：将多尺度深度特征图R1、多尺度深度特征图R2、多尺度深度特征图R3、多尺度深度特征图R4和深层指针仪表特征图F3进行通道维度上的拼接后其结果为多尺度深度特征图F4，多尺度深度特征图F4的大小为128×128像素，通道数为32，多尺度深度特征图F4再经过1×1卷积后，多尺度深度特征图F4的通道数压缩为64，最后，经过3×3卷积后，得到多种类空洞卷积特征提取二级子模块的结果，即多尺度深层指针仪表特征图F5，多尺度深层指针仪表特征图F5的大小为256×256像素，通道数为64，并将多尺度深层指针仪表特征图F5输入至指针仪表细节特征信息提取二级子模块中。

5.根据权利要求1所述的一种基于深度学习的工业指针式仪表读数识别系统，其特征在于，所述工业指针式仪表读数识别模块的具体流程如下：步骤一：利用霍夫圆变换计算指针与刻度的语义分割图像中的圆心与半径；

步骤二：获取指针的偏转角度；

步骤三：通过计算指针的偏转角度与最小刻度线角度之间的关系；

步骤四：再结合量程与角度的关系，换算出工业指针式仪表的具体读数。