AI-on-the-edge-device项目中的Kamstrup FlowIQ2200水表数字识别优化实践

项目背景

AI-on-the-edge-device是一个基于边缘计算的智能设备项目，主要用于数字仪表的自动识别。近期社区针对Kamstrup FlowIQ2200水表的数字识别问题进行了深入讨论和模型优化，特别针对数字"1"和"7"的混淆问题提出了解决方案。

问题描述

Kamstrup FlowIQ2200水表在数字识别过程中存在一个典型问题：数字"1"和"7"容易相互混淆。这是由于该型号水表的数字显示具有特殊设计，在数字"1"和"7"周围存在细小的线条干扰，导致神经网络模型难以准确区分。

从用户提供的示例图片可以看出：

• 数字"1"的显示带有额外的装饰线条
• 数字"7"的底部有轻微的水平线
• 这些细微差别对传统OCR算法构成挑战

模型演进过程

项目团队尝试了多个神经网络模型来解决这一问题：

1. 初始模型dig-class11_1500_s2.tflite：基础识别模型，但存在"1"和"7"混淆问题
2. dig-class11_1701_s2.tflite：改进版本，但问题仍未完全解决
3. dig-class11_1800_s2.tflite：引入更多训练数据后的版本
4. dig-class11_1801_s2.tflite：专门针对用户提供的样本进行了优化训练

技术方案对比

项目提供了两种主要的模型类型选择：

1. class11模型：

   • 只能识别数字0-9和"非数字"状态
   • 模型体积较小
   • 适合大多数标准数字识别场景

2. class100模型：

   • 能够识别数字间的过渡状态(0.0-9.9)
   • 训练数据量更大(超过23,000张图片)
   • 识别准确率可能更高，但计算资源消耗更大
   • 特别适合LCD显示屏的数字识别

此外，模型还有量化版本(-q后缀)，通过降低少许精度来换取更小的模型体积和更快的推理速度。

实践验证结果

经过社区用户测试验证：

1. dig-class11_1801_s2_q.tflite模型成功解决了"1"和"7"的混淆问题
2. class100模型在大多数情况下表现良好，但偶尔会在最后一位数字识别上出现错误
3. 某些用户报告数字"4"被误识别为"0"的问题，可能与小数点显示有关

最佳实践建议

基于社区经验，对于Kamstrup FlowIQ2200水表推荐：

1. 优先尝试dig-class11_1801_s2_q.tflite模型
2. 如果仍有识别问题，可测试class100系列模型
3. 对于部署在资源受限设备上的应用，建议使用量化版本(-q)
4. 持续收集识别错误的样本图片，用于进一步优化模型

未来优化方向

1. 增加更多水表型号的特异性训练数据
2. 优化模型对小数字周围装饰线条的鲁棒性
3. 开发针对小数点等特殊标记的专门处理逻辑
4. 探索轻量级模型架构，在保持精度的同时降低计算需求

通过社区的持续贡献和模型迭代，AI-on-the-edge-device项目在数字仪表识别领域的准确性和适用性正在不断提升。