水表刻度识别数据集 | 水表读数 指针识别 关键点检测 字符识别 OCR9138期
数据集概述
本数据集专注于水表表盘刻度与指针的视觉识别 ，服务于智能水务管理、自动抄表系统及城市基础设施数字化。数据涵盖水表刻度与指针位置，适配智能读表、远程抄表及计费系统等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 1 类：水表 |
| 数量 | 1500 张图像 |
| 格式 | 图像为 JPG/PNG；标签为 YOLO 关键点检测格式（txt）+ PPOCR 识别格式 |
| 配套资源 | 预训练模型、ONNX 推理代码、完整训练与推理工作流 |
| 应用价值 | 1. 智能抄表 ：替代人工现场抄表，实现水表读数的远程自动化采集与录入。 2. 计量管理 ：支撑供水企业实时监测用水量，辅助漏损分析与管网调度。 3. 智慧城市 ：为城市基础设施数字化提供基础数据采集能力。 4. 算法研发：为指针式仪表识别、关键点检测与字符识别等视觉任务提供真实场景的训练与评测数据。 |
完整类别列表（共1类）
| 序号 | 英文名称 | 中文释义 | 说明 |
|---|---|---|---|
| 1 | water_meter | 水表 | 水表表盘及指针区域 |
数据三要素解析
类别与识别目标
- 数据集定义 1 个核心类别：水表（water_meter），聚焦于水表表盘区域。
- 采用 YOLOv8Pose 检测水表指针位置（关键点），结合 CRNN 进行数字识别，构成端到端的读数系统。
- 指针位置的关键点检测是读数的基础，通过指针角度可计算对应刻度值。
数据规模与格式
- 图像总量约 1500 张，规模适中，适合作为水表读数识别任务的基准数据集。
- 提供 YOLO 关键点检测格式 （txt）与 PPOCR 识别格式，可分别用于指针检测与数字识别任务。
- 附赠预训练模型与 ONNX 推理代码，支持端到端部署。
技术方案与工作流
- YOLOv8Pose：用于检测水表表盘区域与指针关键点位置。
- CRNN：用于识别表盘上的数字字符。
- 推理工作流：将 YOLOv8Pose 与 CRNN 结合，实现从图像输入到读数输出的端到端处理。
- 提供完整的数据准备、环境部署、模型训练、推理工作流及可视化验证脚本。
知识普及：水表读数识别的技术要点
- 指针角度计算：通过 YOLOv8Pose 检测指针关键点后，可计算指针相对于表盘中心的角度，进而映射到对应刻度值。
- 数字识别：CRNN（卷积循环神经网络）适合处理不定长字符序列，常用于仪表数字识别。结合 CTC 损失函数，可直接输出读数序列。
- 图像预处理：水表图像可能存在光照不均、表盘反光、指针遮挡等问题，需进行灰度化、对比度增强、去噪等预处理。
- 多指针识别：部分水表有多个指针（如千位、百位、十位、个位），需分别检测各指针位置并独立计算读数。
- 应用闭环：识别结果可结合用户信息与时间戳，自动生成抄表记录，服务于水务计费与漏损分析。
快速开始（代码示例）
1. 准备配置文件 (dataset.yaml)
yaml
train: ./images/train
val: ./images/val
nc: 1
names: ['water_meter']2. 训练 YOLOv8Pose
python
from ultralytics import YOLO
import os
dataset_path = 'path/to/dataset'
model = YOLO('yolov8n-pose.pt')
results = model.train(
data=os.path.join(dataset_path, 'dataset.yaml'),
epochs=100,
imgsz=640,
save=True
)3. 训练 CRNN（数字识别）
python
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
# CRNN 模型定义与训练过程详见数据集文档
# 核心流程：加载数据 → 定义模型 → 训练 → 验证4. 推理工作流
python
import cv2
import numpy as np
import onnxruntime as ort
from ultralytics import YOLO
# 加载模型
yolo_model = YOLO('runs/train/exp/weights/best.pt')
ort_session = ort.InferenceSession('crnn.onnx')
def read_water_meter(image_path):
image = cv2.imread(image_path)
results = yolo_model(image)
for result in results:
boxes = result.boxes.cpu().numpy()
keypoints = result.keypoints.cpu().numpy()
for box, keypoint in zip(boxes, keypoints):
r = box.xyxy[0].astype(int)
roi = image[r[1]:r[3], r[0]:r[2]]
# 使用 CRNN 识别数字
digit = infer_crnn(roi)
print(f'Digit: {digit}')标签
水表读数 指针识别 关键点检测 字符识别 OCR YOLO格式 深度学习数据集 计算机视觉