Een uitgebreide dataset voor het lezen van ouderwetse cijferwiel-watermeters onder uitdagende omstandigheden

Waarom oude watermeters nog steeds belangrijk zijn

Veel steden dromen van "slimme" infrastructuur, maar onder straatniveaus en in kelders doen talloze oude mechanische watermeters nog steeds het werk van het bijhouden van ons waterverbruik. Het vervangen van al die meters door moderne slimme meters is kostbaar, vooral voor kleinere gemeenten. Dit artikel presenteert een grote, zorgvuldig opgebouwde beelddataset die computers helpt deze traditionele cijferwielmeters automatisch te lezen, zelfs wanneer vuil, schaduwen, onscherpte en schittering het werk zowel voor mensen als machines moeilijk maken.

Het probleem bij het lezen van meters in de praktijk

Een mechanische watermeter vanaf een foto aflezen klinkt misschien simpel — een rij cijfers herkennen — maar daadwerkelijke installaties zijn rommelig. Meters liggen vaak in ondergrondse putten of krappe hoeken, omgeven door aarde, bladeren of afval. Hun glas kan vuil of aangetast zijn, en de lichtomstandigheden zijn zelden ideaal; schaduwen, weinig licht of felle reflecties door flits of zonlicht komen veel voor. Daarbovenop kunnen foto’s die door monteurs in het veld gemaakt zijn, scheef of onscherp zijn, waardoor de cijferwielen vaag of vervormd lijken. Al deze factoren verwarren standaard computer-visionsystemen die schone, frontale beelden verwachten.

Het opbouwen van een realistische beeldcollectie

Om dit aan te pakken verzamelden de auteurs meer dan 50.000 foto’s uit echt handmatig meterleeswerk in Hangzhou, een grote Chinese stad met een complex ondergronds waternet en veel verouderde meters. Ze verwijderden eerst onbruikbare afbeeldingen en brachten de overige beelden naar een standaardformaat, zodat algoritmen ze consistent konden verwerken. Voor elke foto markeerden ze het exacte gebied waar de aflezing zichtbaar is, en creëerden zo een "uitknip"-masker dat alleen het meterraam toont. Ze voorzieen elke foto ook van eenvoudige ja/nee-vlaggen die de uitdagingen beschrijven — of de foto helder, wazig, bevuild, met aarde bedekt, donker, reflecterend is, of van een meter met zes cijfers. Deze multi-labelopzet weerspiegelt de realiteit dat een enkele foto bijvoorbeeld zowel wazig als donker kan zijn.

Van het lokaliseren van het raam naar het lezen van de wielen

Automatisch lezen omvat eigenlijk twee gekoppelde taken: eerst het vinden van het kleine venster dat de draaiende cijferwielen toont, en daarna het herkennen van de cijfers zelf. Voor de eerste stap biedt de dataset volledige afbeeldingen plus maskers die het afleesgebied omlijnen, zodat modellen dat gebied kunnen leren detecteren en segmenteren. Voor de tweede stap snijden de auteurs deze gebieden uit en transformeren ze naar rechte, rechthoekige stroken waarin de cijferwielen netjes uitgelijnd staan. Ze leveren vervolgens de correcte vijf- of zescijferige aflezing voor elke strook, samen met extra vlaggen die lastige gevallen beschrijven zoals omgekeerde stroken, gedeeltelijk gedraaide wielen die "halve" cijfers tonen, en zescijferige meters. Deze opbouw stelt onderzoekers in staat systemen te trainen en testen die de echte workflow van een nutsbedrijf nabootsen: vind het venster, maak het recht, en lees dan de cijfers.

Testen hoe goed computers kunnen leren

Om aan te tonen dat de dataset nuttig is, lieten de auteurs verschillende bekende beeldsegmentatie- en herkenningsmodellen erop los. Voor het lokaliseren van het afleesgebied bereikten vier verschillende segmentatiebenaderingen snel hoge nauwkeurigheid en vingen in de meeste testbeelden bijna het hele meterraam correct. Wanneer ze de scenario-tags — zoals donker of reflecterend — naast de afbeeldingen gebruikten, konden ze zien welke omstandigheden de prestaties het meest aantasten en in welke mate. Donkere scènes veroorzaakten bijvoorbeeld merkbaar meer fouten. Voor het lezen van de cijfers werden klassieke en meer geavanceerde deep-learningmodellen met elkaar vergeleken. Simpelere netwerken werkten snel maar maakten meer fouten, terwijl diepere ontwerpen zoals ResNet en DenseNet bijna alle aflezingen correct herkenden, vooral wanneer een afwijking van één cijfer in lastige gevallen nog als acceptabel werd beschouwd.

Wat dit betekent voor dagelijks watergebruik

Vrij vertaald introduceert dit werk geen enkel nieuw apparaat of app, maar eerder een gedeelde "oefenplaats" die anderen kunnen gebruiken om geautomatiseerde leessystemen voor ouderwetse watermeters te bouwen en te vergelijken. Omdat de beelden de rommelige realiteit van vuil, onscherpte, duisternis en schittering vastleggen, is de kans groter dat modellen die goed presteren op deze dataset ook betrouwbaar in het veld werken. Dat kan nutsbedrijven helpen om over te stappen op efficiëntere, minder foutgevoelige en minder arbeidsintensieve watermonitoring zonder meteen miljoenen bestaande meters te hoeven vervangen, waardoor slimmer waterbeheer betaalbaarder en toegankelijker wordt.

Bronvermelding: 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

Trefwoorden: watermeters, computer vision, slimme steden, beeldherkenning, dataset