Trong quản lý hệ thống đồng hồ nước, việc kiểm tra tình trạng mặt đồng hồ rất quan trọng. Nếu mặt đồng hồ bẩn, mờ hoặc bị che khuất, công tác ghi chỉ số sẽ không chính xác, ảnh hưởng đến dữ liệu và có thể gây gián đoạn dịch vụ. Hiện nay, đa phần nhân viên phải đi kiểm tra từng đồng hồ một cách thủ công. Cách làm này phụ thuộc nhiều vào kinh nghiệm của từng người và dễ bỏ sót những đồng hồ gặp sự cố, đặc biệt khi số lượng đồng hồ lớn.

Để giải quyết vấn đề này, EOV Solutions đã phát triển một mô hình nhận diện tình trạng mặt đồng hồ bằng AI, ứng dụng kỹ thuật multi-label classification với kiến trúc MobileNetV1. Nhờ đó, mô hình có thể nhận diện tự động và chính xác các tình trạng khác nhau từ ảnh chụp thực tế.

Mục tiêu và lợi ích của mô hình AI

Mô hình AI của EOV Water AI hướng đến các mục tiêu chính:

• Nhận diện tự động các loại tình trạng mặt đồng hồ, bao gồm: bình thường, bẩn nhẹ, rất bẩn, ngưng tụ hơi nước/mờ và có vật cản che khuất.
• Hỗ trợ kiểm tra nhanh và cảnh báo kịp thời các đồng hồ gặp sự cố, từ đó nâng cao hiệu quả vận hành và độ tin cậy dữ liệu.
• Giảm phụ thuộc vào thao tác thủ công, tối ưu chi phí kiểm tra và bảo trì thiết bị.

Nhờ đó, toàn bộ hệ thống đồng hồ nước được quản lý hiệu quả hơn, dữ liệu chính xác hơn và các sự cố được phát hiện sớm.

>>> Hiểu hơn về giải pháp tại EOV Water AI

Mô hình AI hoạt động như thế nào?

Mô hình AI nhận diện tình trạng mặt đồng hồ sử dụng MobileNetV1 - Một kiến trúc mạng nơ-ron nhẹ và nhanh để xử lý hình ảnh của mặt đồng hồ. Mỗi ảnh có thể chứa nhiều tình trạng cùng lúc, vì vậy mô hình của chúng tôi sử dụng multi-label classification để nhận diện đồng thời nhiều tình trạng.

Để mô hình học được chính xác, ảnh được chuẩn hóa và làm phong phú bằng các kỹ thuật như lật ngang, xoay hình. Dữ liệu huấn luyện gồm 3,741 ảnh, chia thành tập huấn luyện và kiểm định, trong khi dữ liệu kiểm tra riêng (481 ảnh) được thu thập để đánh giá khách quan, đảm bảo mô hình hoạt động tốt ngoài môi trường thực tế.

>>> Đọc thêm: Mô hình AI đọc chỉ số đồng hồ nước tự động của EOV Water AI

Đánh giá hiệu quả mô hình AI: Nhận diện tình trạng mặt đồng hồ

EOV Water AI sử dụng 2 chỉ số chính để đánh giá mô hình:

1. Accuracy Score: đo tỷ lệ dự đoán đúng trên tổng số class, phản ánh khả năng nhận diện cả class xuất hiện và không xuất hiện trong ảnh.
2. Hamming Distance: đo tỷ lệ sai khác giữa vector dự đoán và vector ground truth, phản ánh trực tiếp chất lượng dự đoán từng class.

Kết quả thử nghiệm cho thấy mô hình đạt độ chính xác 93,55%, nghĩa là hầu hết các tình trạng mặt đồng hồ được nhận diện chính xác. Đây là kết quả rất khả quan, chứng minh mô hình có thể ứng dụng trong thực tế để tự động kiểm tra và cảnh báo đồng hồ gặp vấn đề.

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

Thảo luận và hạn chế

Nhờ mô hình AI, EOV Water AI giúp:

• Tự động phát hiện các đồng hồ cần vệ sinh hoặc bảo trì.
• Cảnh báo những đồng hồ bị bẩn, mờ hoặc vật cản, đảm bảo dữ liệu chính xác.
• Giảm công sức và chi phí kiểm tra thủ công.

Tuy nhiên, hiệu suất mô hình vẫn phụ thuộc vào chất lượng ảnh (ảnh mờ, ngược sáng, độ phân giải thấp), những tình trạng khó phân biệt (bình thường và bẩn nhẹ), và nhãn dữ liệu trong quá trình huấn luyện. Ngoài ra, việc sử dụng ngưỡng 0.5 cho tất cả tình trạng có thể chưa tối ưu, cần tinh chỉnh để cân bằng giữa độ chính xác và độ nhạy của từng tình trạng. Đây cũng là điểm để chúng tôi tiếp tục hoàn thiện và phát triển mô hình hơn nữa.

>>> Đón đọc: Ứng dụng EOV WaterAI trong ngành cấp nước

Kết luận

Mô hình AI nhận diện tình trạng mặt đồng hồ của EOV Water AI giúp tự động hóa kiểm tra, cảnh báo sớm các vấn đề và nâng cao độ tin cậy dữ liệu. Đây là một bước tiến quan trọng trong quản lý hệ thống đồng hồ nước thông minh.

Như vậy, với việc ứng dụng AI, EOV Water AI không chỉ nâng cao hiệu quả vận hành mà còn mở ra một bước tiến mới trong quản lý và giám sát đồng hồ nước thông minh. Từ đó giúp các đơn vị quản lý đạt độ chính xác và tin cậy cao trong từng số liệu.

‍