Trong hệ thống cấp nước, mỗi chiếc đồng hồ đều có một số serial – giống như “chứng minh nhân dân” để định danh thiết bị. Nhờ serial, doanh nghiệp có thể quản lý tài sản, gắn đúng dữ liệu tiêu thụ cho từng hộ khách hàng và đảm bảo việc đối soát minh bạch.

Tuy nhiên, hiện nay việc ghi nhận serial thường làm thủ công. Nhân viên ghi số phải quan sát trực tiếp hoặc chụp ảnh, rồi nhập lại vào hệ thống. Điều này dễ phát sinh sai sót, đặc biệt trong điều kiện thiếu sáng, mặt kính xước, bụi bẩn hoặc khi serial quá nhỏ, khó đọc. Đó chính là lý do EOV Water AI phát triển mô hình đọc chỉ số serial đồng hồ tự động.

Quy trình hoạt động của mô hình AI trong nhận diện số Serial

Để giảm gánh nặng cho phương pháp thủ công, EOV Water AI ứng dụng trí tuệ nhân tạo (AI) nhằm nhận diện và đọc chính xác chuỗi serial từ ảnh chụp mặt đồng hồ.

Quy trình nhận diện serial bằng AI bao gồm 3 bước chính:

1. Phát hiện vùng serial: mô hình phát hiện đối tượng xác định vị trí serial trên ảnh.
2. Chuẩn hóa hướng: tự động xoay ảnh về đúng chiều đọc.
3. Nhận diện ký tự (OCR): trích xuất chuỗi số/ chữ từ vùng đã cắt và chuẩn hóa.

Trong đó, bước OCR (Optical Character Recognition) giữ vai trò quyết định bởi nó trực tiếp chuyển ảnh thành dữ liệu số. Điểm mạnh của mô hình là vẫn hoạt động ổn định trong điều kiện bất lợi như ánh sáng yếu, chữ bị mờ hoặc nền bẩn.

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

Cách mô hình OCR được xây dựng để đọc chỉ số serial đồng hồ

Để làm được điều này, EOV Water AI phát triển mô hình OCR dựa trên PaddleOCR – một framework mạnh mẽ cho bài toán nhận diện văn bản trong ảnh thực tế.

Trước khi đi sâu vào cấu trúc kỹ thuật, chúng tôi cần nhấn mạnh rằng mục tiêu của mô hình không chỉ là đọc được serial, mà còn phải đọc nhanh – chính xác – và thích ứng với đa dạng tình huống thực tế.

1. Kiến trúc mô hình

Về cơ bản, mô hình AI đọc chỉ số Serial tự động sẽ được triển khai và huấn luyện theo cấu trúc sau:

• Backbone: Mobile V1 Enhance, kiến trúc nhẹ, tối ưu cho tốc độ.
• Head: MultiHead kết hợp hai nhánh giải mã (CTC và SAR). Nhờ đó, mô hình vừa xử lý chuỗi thẳng dễ đọc, vừa giải quyết trường hợp serial nghiêng hoặc biến dạng.
• Loss function: Multi Loss (kết hợp CTCLoss và SARLoss) để huấn luyện cả hai nhánh song song.

2. Dữ liệu huấn luyện

Mô hình được huấn luyện trên 3.572 mẫu ảnh serial, trong đó:

• 80% dành cho training
• 20% cho validation và một tập kiểm tra độc lập gồm 449 ảnh để đảm bảo tính khách quan.

Điều này giúp mô hình không bị “học vẹt” mà có khả năng tổng quát hóa tốt khi triển khai thực tế.

Kết quả thử nghiệm mô hình đọc chỉ số serial đồng hồ

Sau khi huấn luyện, kết quả thu được như sau:

• Accuracy (đúng cả chuỗi): 84,19%
• Character-level Accuracy (đúng từng ký tự): 94,87%

Điều này có nghĩa là trong hầu hết trường hợp, hệ thống có thể đọc chính xác toàn bộ serial. Và ngay cả khi có sai sót, phần lớn vẫn chỉ lệch 1–2 ký tự. Nhờ đó, dữ liệu thu được có độ tin cậy cao, đủ để ứng dụng trực tiếp trong quản lý đồng hồ, inventory hoặc định danh thiết bị.

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

Ý nghĩa và hạn chế thực tế khi huấn luyện AI đọc chỉ số serial đồng hồ

Kết quả trên cho thấy mô hình OCR của EOV Water AI đã mở ra cơ hội tự động hóa bước ghi nhận serial – vốn tốn nhiều thời gian và dễ sai sót nếu làm thủ công.

Tuy vậy, không phải mô hình nào cũng đạt hiệu quả 100%, chúng tôi vẫn gặp một số thách thức:

• Serial in nhỏ, mờ hoặc bị xước dễ gây lỗi nhận diện.
• Điều kiện ánh sáng, góc chụp nghiêng hoặc mặt kính phản chiếu ảnh hưởng đến chất lượng ảnh.
• Độ chính xác chuỗi (Accuracy) vẫn cần cải thiện để vượt mốc 90%.

Kết luận

Mô hình đọc chỉ số serial đồng hồ của EOV Solutions đã được ứng dụng trong thực tiễn với sản phẩm EOV Water AI. Với ứng dụng công nghệ AI, mô hình đã giúp giảm phụ thuộc vào ghi số thủ công, nâng cao độ tin cậy dữ liệu và hỗ trợ quản lý thiết bị chính xác hơn. 

Dù còn những điểm cần cải thiện nhưng đây là một bước tiến quan trọng trong hành trình ứng dụng AI cho ngành cấp nước của chúng tôi. Từ đó mở ra triển vọng chuyển đổi số toàn diện và vận hành minh bạch, hiệu quả hơn.