Un jeu de données complet pour la lecture de compteurs d'eau à rouleaux sous des conditions difficiles

Pourquoi les anciens compteurs d'eau comptent encore

De nombreuses villes rêvent d'infrastructures « intelligentes », mais sous les rues et dans les sous-sols, d'innombrables anciens compteurs mécaniques continuent d'assurer la tâche concrète de suivre notre consommation d'eau. Les remplacer tous par des compteurs modernes connectés coûte cher, en particulier pour les petites communes. Cet article présente un vaste jeu de données d'images construit avec soin pour aider les ordinateurs à lire automatiquement ces compteurs traditionnels à rouleaux, même lorsque la saleté, les ombres, le flou et les reflets rendent la lecture difficile tant pour les humains que pour les machines.

Le problème de la lecture des compteurs dans le monde réel

Lire un compteur mécanique sur une photographie peut sembler aussi simple que repérer une suite de chiffres, mais les installations réelles sont désordonnées. Les compteurs sont souvent enfouis dans des boîtes souterraines ou coincés dans des recoins, entourés de terre, de feuilles ou de déchets. Leurs caches en verre peuvent être tachées ou embuées, et l'éclairage est rarement idéal : ombres, faible luminosité ou reflets violents dus au flash ou au soleil sont fréquents. De plus, les photos prises par les agents sur le terrain peuvent être prises de biais ou hors de la mise au point, rendant les rouleaux flous ou déformés. Tous ces facteurs perturbent les systèmes classiques de vision par ordinateur qui s'attendent à des images propres et frontales.

Construire une collection d'images réaliste

Pour relever ce défi, les auteurs ont rassemblé plus de 50 000 photos provenant du relevé manuel réel de compteurs à Hangzhou, une grande ville chinoise dotée d'un réseau d'eau souterrain complexe et de nombreux compteurs vieillissants. Ils ont d'abord supprimé les images inutilisables et redimensionné les autres à un format standard afin que les algorithmes puissent les traiter de manière cohérente. Pour chaque image, ils ont marqué la zone exacte où apparaît la lecture, créant un masque « découpé » qui montre uniquement la fenêtre du compteur. Ils ont également étiqueté chaque photo avec des indicateurs binaires décrivant ses difficultés — claire, floue, tachée, couverte de terre, sombre, réfléchissante, ou provenant d'un compteur à six chiffres. Cette configuration multi-étiquettes reflète la réalité selon laquelle une seule photo peut, par exemple, être à la fois floue et sombre.

De la localisation du cadran à la lecture des rouleaux

La lecture automatique implique en réalité deux tâches liées : d'abord trouver la petite fenêtre qui montre les rouleaux numériques en rotation, puis reconnaître les chiffres eux-mêmes. Pour la première étape, le jeu de données fournit les images complètes ainsi que des masques délimitant la zone de lecture, afin que les modèles puissent apprendre à détecter et segmenter cette région. Pour la seconde étape, les auteurs recadrent ces zones et les transforment en tranches rectangulaires redressées où les rouleaux s'alignent proprement. Ils fournissent ensuite la lecture correcte à cinq ou six chiffres pour chaque tranche, ainsi que des indicateurs supplémentaires décrivant des cas difficiles tels que des bandes inversées, des rouleaux partiellement tournés montrant des « demi » chiffres, et les compteurs à six chiffres. Cette structure permet aux chercheurs d'entraîner et de tester des systèmes qui reproduisent le flux de travail réel d'un service public : localiser le cadran, le redresser, puis lire les chiffres.

Tester la capacité d'apprentissage des ordinateurs

Pour démontrer l'utilité du jeu de données, les auteurs ont exécuté plusieurs modèles bien connus de segmentation et de reconnaissance d'images sur celui-ci. Pour localiser la zone de lecture, quatre approches de segmentation différentes ont rapidement atteint une grande précision, capturant correctement la quasi-totalité de la fenêtre du compteur sur la plupart des images de test. Lorsqu'ils ont utilisé les étiquettes de scénario — telles que sombre ou réfléchissant — en complément des images, ils ont pu déterminer quelles conditions nuisent le plus aux performances et dans quelle mesure. Les scènes sombres, par exemple, ont entraîné sensiblement plus d'erreurs. Pour la lecture des chiffres, des modèles classiques et des modèles profonds plus avancés ont été comparés. Les réseaux plus simples fonctionnaient rapidement mais faisaient plus d'erreurs, tandis que des architectures profondes comme ResNet et DenseNet reconnaissaient presque toutes les lectures correctement, en particulier lorsqu'on tolère une erreur d'un seul chiffre dans les cas difficiles.

Ce que cela signifie pour l'usage quotidien de l'eau

Concrètement, ce travail n'introduit pas un nouvel appareil ou une application unique, mais plutôt un « terrain d'entraînement » partagé que d'autres peuvent utiliser pour construire et comparer des systèmes automatisés de lecture pour les compteurs d'eau anciens. Parce que les images saisissent le désordre du monde réel — saleté, flou, obscurité et reflets —, les modèles qui performent bien sur ce jeu de données sont plus susceptibles de fonctionner de manière fiable sur le terrain. Cela pourrait, à son tour, aider les services des eaux à évoluer vers une surveillance plus efficace, moins sujette aux erreurs et moins gourmande en main-d'œuvre sans remplacer immédiatement des millions de compteurs existants, rendant une gestion plus intelligente de l'eau plus abordable et accessible.

Citation: 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

Mots-clés: compteurs d'eau, vision par ordinateur, villes intelligentes, reconnaissance d'images, jeu de données