مجموعة بيانات شاملة لقراءة عدادات المياه ذات عجلات الكلمات تحت ظروف صعبة

لماذا لا تزال العدادات القديمة مهمة

تحلم كثير من المدن ببنية تحتية «ذكية»، لكن تحت الشوارع وفي الأقبية، لا تزال أعداد لا تحصى من عدادات المياه الميكانيكية القديمة تؤدي العمل الحقيقي في تتبُّع مقدار استهلاكنا من المياه. استبدالها جميعًا بعدادات ذكية حديثة مكلف، لا سيما للبلدات الصغيرة. تقدم هذه الورقة مجموعة صور كبيرة ومصممة بعناية تساعد الحواسيب على قراءة هذه العدادات التقليدية ذات عجلات الكلمات تلقائيًا، حتى عندما تجعل الأوساخ والظلال والطمس والتوهج المهمة صعبة لكل من البشر والآلات.

مشكلة قراءة العدادات في العالم الحقيقي

قد يبدو قراءة عداد مياه ميكانيكي من صورة أمرًا بسيطًا كمجرّد تمييز صف من الأرقام، لكن التركيبات الواقعية فوضوية. غالبًا ما تكون العدادات مدفونة في صناديق تحت أرضية أو في زوايا ضيقة، محاطة بالتربة أو الأوراق أو القمامة. قد تكون أغطية الزجاج ملطخة أو مغبّشة، والإضاءة نادرًا ما تكون مثالية؛ فالظلال والضوء الخافت أو الانعكاسات الحادة من الفلاش أو ضوء الشمس شائعة. بالإضافة إلى ذلك، قد تكون الصور الملتقطة من العاملين مائلة أو خارجة عن نطاق التركيز، مما يترك عجلات الأرقام ضبابية أو مشوهة. كل هذه العوامل تحيّر أنظمة الرؤية الحاسوبية القياسية التي تتوقع صورًا نظيفة ومواجهة مباشرة.

بناء مجموعة صور واقعية

لمعالجة هذا، جمع المؤلفون أكثر من 50,000 صورة من أعمال قراءة العدادات اليدوية في هانغتشو، مدينة صينية كبرى ذات شبكة مياه تحت أرضية معقدة والعديد من العدادات المتقادمة. أزالوا أولًا الصور غير الصالحة وغيروا حجم الباقي إلى صيغة قياسية، حتى يتسنى للخوارزميات التعامل معها بثبات. لكل صورة، وضعوا علامة على المنطقة الدقيقة التي يظهر فيها القياس، فأنشأوا قناع «مقطوع» يُظهر نافذة العداد ولا شيء سوىها. كما علّموا كل صورة بعلامات نعم-أو-لا بسيطة تصف تحدياتها — سواء كانت واضحة أو ضبابية أو ملطخة أو مغطاة بالتربة أو مظلمة أو عاكسة أو من عداد ذو ستة أرقام. يعكس هذا الإعداد متعدد الوسوم الواقع بأن الصورة الواحدة يمكن أن تكون، على سبيل المثال، ضبابية ومظلمة في آن واحد.

من تحديد المؤشر إلى قراءة العجلات

تنطوي القراءة التلقائية فعلاً على مهمتين مترابطتين: أولًا، إيجاد النافذة الصغيرة التي تظهر عجلات الأرقام الدوّارة، وثانيًا، تمييز الأرقام نفسها. للخطوة الأولى، توفر مجموعة البيانات الصور الكاملة بالإضافة إلى أقنعة تحدد منطقة القراءة، حتى تتمكن النماذج من تعلّم اكتشاف تلك المنطقة وتقسيمها. للخطوة الثانية، يقوم المؤلفون بقص هذه المناطق وتحويلها إلى شرائح مستطيلة ومسوّاة حيث تصطف عجلات الأرقام بشكل مرتب. ثم يزوّدون كل شريحة بالقراءة الصحيحة المكوّنة من خمسة أو ستة أرقام، إلى جانب علامات إضافية تصف الحالات المعقدة مثل الشرائط المقلوبة، والعجلات المستديرة جزئيًا التي تظهر أرقامًا «نصفية»، والعدادات ذات الستة أرقام. تتيح هذه البنية للباحثين تدريب واختبار أنظمة تحاكي سير عمل المرافق الواقعي: اعثر على النافذة، قم بتسويتها، ثم اقرأ الأرقام.

اختبار مدى قدرة الحواسيب على التعلم

لإظهار فائدة مجموعة البيانات، شغّل المؤلفون عدة نماذج معروفة لتقسيم الصور والتعرّف عليها عليها. لأجل تحديد منطقة القراءة، وصلت أربع طرق تقسيم مختلفة بسرعة إلى دقة عالية، حيث التقطت تقريبًا معظم نافذة العداد في معظم صور الاختبار. عندما استخدموا علامات السيناريو — مثل مظلم أو عاكس — مع الصور، تمكنوا من رؤية أي الظروف كانت تضر بالأداء أكثر وبأي مقدار. على سبيل المثال، تسببت المشاهد المظلمة في أخطاء أكثر بوضوح. لقراءة الأرقام، تمت مقارنة الشبكات الكلاسيكية والأعمق في التعلم العميق. الشبكات الأبسط كانت سريعة لكنها ارتكبت أخطاء أكثر، بينما تعرفت التصاميم الأعمق مثل ResNet وDenseNet على معظم القراءات بشكل صحيح تقريبًا، لا سيما عندما سُمح بخطأ بمقدار رقم واحد فقط في الحالات الصعبة.

ماذا يعني هذا لاستخدام المياه في الحياة اليومية

بعبارة بسيطة، لا يقدم هذا العمل جهازًا أو تطبيقًا جديدًا واحدًا، بل يوفر «ساحة تدريب» مشتركة يمكن للآخرين استخدامها لبناء ومقارنة أنظمة قراءة آلية لعدادات المياه التقليدية. وبما أن الصور تلتقط فوضى العالم الحقيقي من أوساخ وطمس وظلام وتوهج، فمن المرجح أن النماذج التي تؤدي جيدًا على هذه المجموعة تعمل بشكل موثوق في الميدان. وهذا بدوره قد يساعد المرافق على الترقية إلى مراقبة مائية أكثر كفاءة وأقل عرضة للأخطاء وأقل مجهودًا يدويًا دون استبدال ملايين العدادات الحالية فورًا، ما يجعل إدارة المياه الذكية أكثر توفيرًا وفي متناول أوسع نطاق.

الاستشهاد: Zhao, S., Gao, Y., Liu, F. et al. A Comprehensive Dataset for Word-Wheel Water Meter Reading Under Challenging Conditions. Sci Data 13, 479 (2026). https://doi.org/10.1038/s41597-026-06809-z

الكلمات المفتاحية: عدادات المياه, الرؤية الحاسوبية, المدن الذكية, التعرّف على الصور, مجموعة بيانات