Zorlu Koşullarda Sözcük-Casitli Su Sayacı Okuması için Kapsamlı Bir Veri Küməsi

Neden eski su sayaçları hâlâ önem taşıyor

Birçok şehir "akıllı" altyapı hayal ediyor, ancak sokakların altlarında ve bodrumlarda sayısız eski mekanik su sayacı hâlâ kullandığımız su miktarını gerçek anlamda kaydetmeye devam ediyor. Bunların tamamını modern akıllı sayaçlarla değiştirmek özellikle küçük kasabalar için pahalıdır. Bu çalışma, kir, gölge, bulanıklık ve parlama gibi hem insanlar hem de makineler için işi zorlaştıran koşullarda bile bu geleneksel sözcük-diskli sayaçları bilgisayarların otomatik olarak okumasına yardımcı olan, büyük ve özenle oluşturulmuş bir görüntü veri kümesini tanıtıyor.

Gerçek dünya sayaç okumasıyla ilgili sorun

Bir fotoğraftan mekanik bir su sayacını okumak, bir sayı dizisini görmek kadar basit görünebilir, ama gerçek kurulumlar düzensizdir. Sayaçlar sıklıkla yeraltı kutularına veya sıkışık köşelere gömülüdür; çevreleri toprak, yaprak veya çöple kaplı olabilir. Cam kapakları lekeli veya buğulanmış olabilir ve aydınlatma nadiren idealdir; gölgeler, düşük ışık veya flaş ya da güneşten gelen sert yansımalar yaygındır. Buna ek olarak, saha çalışanları tarafından çekilen fotoğraflar açı dışı ya da odak dışı olabilir; bu da rakam tekerleklerini bulanık veya bozuk gösterir. Tüm bu etkenler, temiz ve önden çekilmiş görüntüler bekleyen standart bilgisayarlı görme sistemlerini yanıltır.

Gerçeğe uygun bir resim koleksiyonu oluşturmak

Bunu ele almak için yazarlar, karmaşık bir yeraltı su ağı ve birçok yaşlanan sayaça sahip büyük bir Çin kenti olan Hangzhou'daki gerçek manuel sayaç okuma çalışmalarından 50.000'den fazla fotoğraf topladı. Önce kullanılamayan görüntüleri çıkardılar ve kalanları algoritmaların tutarlı işlem yapabilmesi için standart bir formata yeniden boyutlandırdılar. Her görüntü için okumaya denk gelen kesin alanı işaretleyerek sayacın penceresini ve başka bir şeyi göstermeyen bir "kesit" maskesi oluşturdular. Ayrıca her fotoğrafı net, bulanık, lekeli, toprakla kaplı, karanlık, yansıtıcı olup olmadığı veya altı basamaklı bir sayaçtan gelip gelmediği gibi zorlukları tanımlayan basit evet-hayır etiketleriyle işaretlediler. Bu çoklu etiketleme düzeni, tek bir fotoğrafın örneğin hem bulanık hem de karanlık olabileceği gerçeğini yansıtıyor.

Kadrı bulmaktan tekerlekleri okumaya

Otomatik okuma aslında iki bağlı görev içeriyor: ilk olarak dönen sayı tekerleklerini gösteren küçük pencereyi bulmak, ikinci olarak da rakamları tanımak. İlk adım için veri kümesi, modellerin o bölgeyi tespit edip segmentlemeyi öğrenebilmesi amacıyla okuma alanını çevreleyen maskelerle birlikte tam görüntüler sunar. İkinci adımda ise yazarlar bu bölgeleri kırparak rakam tekerleklerinin düzgünce sıralandığı düz, dikdörtgen dilimlere dönüştürüyorlar. Her dilim için doğru beş veya altı basamaklı okumayı ve ters şeritler, kısmen dönmüş tekerleklerin gösterdiği "yarım" rakamlar ve altı basamaklı sayaçlar gibi zor durumları tanımlayan ek bayrakları sağlıyorlar. Bu yapı, araştırmacıların bir hizmet kuruluşunun gerçek iş akışını taklit eden sistemleri eğitmesine ve test etmesine olanak tanıyor: kadrı bul, düzelt, sonra rakamları oku.

Bilgisayarların ne kadar öğrenebildiğini test etmek

Veri kümesinin faydalı olduğunu göstermek için yazarlar üzerine birçok bilinen görüntü segmentasyon ve tanıma modeli çalıştırdı. Okuma alanını bulmada, dört farklı segmentasyon yaklaşımı hızlıca yüksek doğruluğa ulaştı ve test görüntülerinin çoğunda sayaç penceresinin neredeyse tamamını doğru şekilde yakaladı. Görüntülerle birlikte senaryo etiketlerini—örneğin karanlık veya yansıtıcı—kullandıklarında hangi koşulların performansı en çok düşürdüğünü ve ne kadar etkilediğini görebildiler. Örneğin karanlık sahneler belirgin şekilde daha fazla hataya neden oldu. Rakamları okumada ise klasik ve daha gelişmiş derin öğrenme modelleri karşılaştırıldı. Daha basit ağlar hızlı çalıştı ama daha fazla hata yaptı; ResNet ve DenseNet gibi daha derin tasarımlar ise, zor durumlarda yalnızca bir basamak sapmaya izin verildiğinde bile neredeyse tüm okumaları doğru tanıdı.

Günlük su kullanımı için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma tek bir yeni cihaz veya uygulama tanıtmıyor; bunun yerine başkalarının eski tip su sayaçları için otomatik okuma sistemleri geliştirebileceği ve karşılaştırabileceği paylaşılan bir "eğitim alanı" sunuyor. Görüntüler kir, bulanıklık, karanlık ve parlamanın gerçek dünya düzensizliğini yakaladığı için bu veri kümesinde iyi performans gösteren modeller sahada daha güvenilir çalışmaya daha yatkın olacaktır. Bu da hizmet kuruluşlarının milyonlarca mevcut sayacı hemen değiştirmeye gerek kalmadan daha verimli, daha az hata eğilimli ve daha az emek gerektiren su izleme çözümlerine geçmelerine yardımcı olabilir; böylece daha akıllı su yönetimi daha uygun maliyetli ve geniş çapta erişilebilir hale gelebilir.

Atıf: 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

Anahtar kelimeler: su sayaçları, bilgisayarlı görme, akıllı şehirler, görüntü tanıma, veri kümesi