Un ampio dataset per la lettura dei contatori idrici a tamburo in condizioni difficili

Perché i vecchi contatori d'acqua contano ancora

Molte città sognano infrastrutture “intelligenti”, ma sotto le strade e nei seminterrati innumerevoli vecchi contatori meccanici continuano a svolgere il lavoro reale di registrare quanto acqua consumiamo. Sostituirli tutti con contatori smart moderni è costoso, soprattutto per i comuni più piccoli. Questo articolo presenta un ampio e accuratamente costruito dataset di immagini che aiuta i computer a leggere automaticamente questi contatori tradizionali a tamburo, anche quando sporco, ombre, sfocatura e riverberi rendono il compito difficile sia per le persone sia per le macchine.

Il problema della lettura dei contatori nel mondo reale

Leggere un contatore meccanico da una fotografia può sembrare semplice come individuare una fila di numeri, ma le installazioni reali sono disordinate. I contatori spesso sono sepolti in cassette sotterranee o in angoli stretti, circondati da terra, foglie o rifiuti. Le loro coperture in vetro possono essere macchiate o appannate, e l’illuminazione raramente è ideale; ombre, scarsa luce o riflessi intensi di flash o luce solare sono comuni. Inoltre, le foto scattate dagli operatori sul campo possono essere fuori angolo o sfocate, lasciando i tamburi numerici sfocati o deformati. Tutti questi fattori confondono i sistemi di visione artificiale standard, che si aspettano immagini pulite e frontali.

Costruire una raccolta di immagini realistica

Per affrontare il problema, gli autori hanno raccolto oltre 50.000 foto provenienti dal lavoro manuale di lettura dei contatori a Hangzhou, una grande città cinese con una rete idrica sotterranea complessa e molti contatori datati. Hanno prima rimosso le immagini inutilizzabili e ridimensionato il resto a un formato standard, in modo che gli algoritmi potessero gestirle in modo coerente. Per ogni immagine hanno indicato l’area esatta in cui appare la lettura, creando una maschera “ritagliata” che mostra la finestra del contatore e nient’altro. Hanno anche etichettato ogni foto con flag semplici sì/no che descrivono le difficoltà — se è nitida, sfocata, macchiata, coperta di terra, scura, riflettente, o se proviene da un contatore a sei cifre. Questa impostazione multi-etichetta riflette la realtà per cui una singola foto può essere, per esempio, contemporaneamente sfocata e scura.

Dalla localizzazione del quadrante alla lettura dei tamburi

La lettura automatica comprende in realtà due compiti collegati: prima trovare la piccola finestra che mostra i tamburi numerici in rotazione, e poi riconoscere le cifre stesse. Per il primo passaggio, il dataset fornisce immagini complete più maschere che delineano l’area di lettura, così i modelli possono imparare a rilevare e segmentare quella regione. Per il secondo, gli autori ritagliano queste regioni e le trasformano in strisce rettangolari e diritte dove i tamburi si allineano ordinatamente. Forniscono poi la corretta lettura a cinque o sei cifre per ogni striscia, insieme a flag aggiuntivi che descrivono casi complessi come strisce invertite, tamburi parzialmente girati che mostrano “mezze” cifre, e contatori a sei cifre. Questa struttura permette ai ricercatori di addestrare e testare sistemi che imitano il flusso di lavoro reale di un’utility: trovare il quadrante, raddrizzarlo e poi leggere i numeri.

Testare quanto le macchine possono imparare

Per dimostrare l’utilità del dataset, gli autori hanno eseguito diversi modelli noti di segmentazione e riconoscimento delle immagini su di esso. Per localizzare l’area di lettura, quattro diverse tecniche di segmentazione hanno rapidamente raggiunto elevata accuratezza, catturando correttamente quasi tutta la finestra del contatore nella maggior parte delle immagini di test. Quando hanno usato le etichette di scenario — come scuro o riflettente — insieme alle immagini, hanno potuto vedere quali condizioni peggiorano maggiormente le prestazioni e in che misura. Le scene scure, per esempio, hanno causato errori sensibilmente maggiori. Per la lettura delle cifre sono stati confrontati modelli classici e più avanzati di deep learning. Reti più semplici erano veloci ma commettevano più errori, mentre architetture più profonde come ResNet e DenseNet riconoscevano quasi tutte le letture correttamente, soprattutto quando era consentito uno scarto di una sola cifra nei casi più difficili.

Cosa significa per l’uso quotidiano dell’acqua

In termini pratici, questo lavoro non introduce un nuovo dispositivo o una nuova app singola, ma piuttosto un “campo di addestramento” condiviso che altri possono usare per costruire e confrontare sistemi automatizzati di lettura per i contatori d’acqua di tipo tradizionale. Poiché le immagini catturano il disordine del mondo reale — sporco, sfocatura, oscurità e riverberi — i modelli che funzionano bene su questo dataset hanno maggiori probabilità di operare in modo affidabile sul campo. Ciò, a sua volta, potrebbe aiutare le utility a passare a monitoraggi dell’acqua più efficienti, meno soggetti a errori e meno intensivi in termini di lavoro, senza sostituire immediatamente milioni di contatori esistenti, rendendo la gestione intelligente dell’acqua più accessibile ed economica.

Citazione: 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

Parole chiave: contatori d'acqua, visione artificiale, città intelligenti, riconoscimento immagini, dataset