Trong ngành cấp thoát nước, việc ghi nhận chỉ số tiêu thụ nước của khách hàng là một hoạt động trọng yếu, ảnh hưởng trực tiếp đến quy trình lập hóa đơn, quản lý doanh thu và phát hiện thất thoát. Trước đây, công việc này thường do nhân viên ghi số thực hiện thủ công đến từng hộ dân, quan sát rồi ghi chép lại chỉ số hiển thị trên mặt đồng hồ nước.

Phương pháp truyền thống này đã từng rất quen thuộc nhưng dần bộc lộ một số điểm hạn chế khi thực hiện với quy mô lớn: Mất khá nhiều thời gian và nhân lực mà còn dễ ghi chép sai sót, nhập liệu nhầm hoặc bỏ sót số liệu. Chính vì vậy, nhu cầu tự động hóa quy trình ghi chỉ số trở nên cấp thiết. Đáp ứng nhu cầu đó, EOV Solutions đã phát triển mô hình AI đọc chỉ số đồng hồ nước một cách chính xác, nhanh chóng và minh bạch.

Các mô hình AI xử lý đọc đồng hồ trong hệ thống EOV WaterAI

Để tự động hóa toàn bộ quá trình đọc chỉ số nước, có 3 mô hình được sử dụng để AI đọc chỉ số đồng hồ nước. Cụ thể:

• Mô hình 1 - Phát hiện vùng đọc chỉ số: Mô hình YOLOv8 OBB được áp dụng để xác định chính xác vị trí dãy số hiển thị trên mặt đồng hồ, đồng thời nhận biết cả góc xoay để crop chuẩn vùng cần đọc.
• Mô hình 2- Chuẩn hóa hướng ảnh: Sau khi crop, hệ thống sử dụng mô hình phân loại hướng để sắp xếp lại ảnh về đúng chiều. Điều này đảm bảo các con số được nhận diện dễ dàng và chính xác hơn.
• Mô hình 3 - Nhận diện ký tự (OCR): Đây là bước quan trọng nhất để AI đọc chỉ số đồng hồ nước. Hệ thống sử dụng PaddleOCR để trích xuất dãy số chỉ số tiêu thụ. Nhờ vậy, mọi thông tin hiển thị trên mặt đồng hồ được số hóa chính xác và đưa thẳng vào hệ thống quản lý.

Quy trình này giúp WaterAI tự động hóa từ khâu ảnh chụp đầu vào đến xuất dữ liệu, giảm tối đa sự phụ thuộc vào thao tác thủ công.

>>> Xem thêm: Ứng dụng EOV WaterAI trong ngành cấp nước và xu hướng chuyển đổi số

Mô hình OCR - AI đọc chỉ số đồng hồ nước

Trong pipeline mô hình AI trên, OCR chính là thành phần “chìa khóa” quyết định độ chính xác kết quả mô hình AI đầu ra.

1. Kiến trúc mô hình

EOV Water AI ứng dụng Mobile V1 Enhance (backbone nhẹ, tốc độ nhanh, phù hợp triển khai cả trên GPU lẫn edge devices) kết hợp với MultiHead gồm CTC + SAR decoder.

2. Cơ chế hoạt động

Ảnh vùng đọc sau khi crop và xoay chuẩn hóa được resize về kích thước [3,40,120], sau đó đi qua backbone để trích xuất đặc trưng. Cuối cùng, hai nhánh CTC và SAR sẽ đồng thời giải mã dãy số ≤10 ký tự.

3. Ưu điểm nổi bật

• Nhận diện tốt ngay cả khi mặt đồng hồ bị mờ nhẹ, nghiêng hoặc ánh sáng không thuận lợi.
• Xử lý nhanh, phù hợp triển khai thực tế ở quy mô lớn.
• Tối ưu cho dãy số ngắn, đảm bảo kết quả ổn định và chính xác.

>>> Tìm hiểu thêm: [Nghiên cứu] Mô hình AI nhận diện nhãn hiệu đồng hồ nước 

Đánh giá hiệu quả mô hình

Để đo lường hiệu quả, hai chỉ số chính được sử dụng:

• Accuracy (đúng toàn bộ chuỗi số)
• Character-level Accuracy (đúng từng ký tự riêng lẻ)

Kết quả kiểm thử mô hình AI của chúng tôi như sau:

• Accuracy: 97.08%
• Character-level Accuracy: 99.24%

Kết luận: Như vậy trong phần lớn trường hợp, mô hình có thể đọc chính xác hoàn toàn chỉ số đồng hồ, đồng thời nhận diện chuẩn từng ký tự ngay cả khi có yếu tố gây nhiễu. Điều này giúp dữ liệu đầu ra đủ tin cậy để đưa thẳng vào hệ thống lập hóa đơn, giảm thiểu tối đa nhu cầu hậu kiểm thủ công.

>>> Xem thêm: EOV Water AI – Giải pháp AI đột phá cho ngành cấp nước

Kết luận

Với độ chính xác gần như tuyệt đối, mô hình AI đọc chỉ số đồng hồ nước tự động của EOV Water AI mở ra hướng đi mới cho ngành cấp nước trong quá trình chuyển đổi số. Hệ thống không chỉ giúp tiết kiệm thời gian, giảm sai sót và chi phí nhân lực mà còn đảm bảo tính minh bạch, tin cậy trong quản lý dữ liệu tiêu thụ nước.

Trong tương lai, EOV Water AI sẽ tiếp tục phát triển thêm các mô hình và tính năng xử lý ảnh nâng cao, từ đó mở rộng khả năng nhận diện cho nhiều loại đồng hồ khác nhau. Đây sẽ là nền tảng quan trọng để tiến tới xây dựng hệ thống quản lý cấp nước hiện đại, thông minh và bền vững.