Image processing and computer vision on low-cost microcontrollers: a case study on water meter reading

方法

MobileNetV2 INT8量化，ESP32-CAM部署，自建6155图数据

发现

2ms延迟、235KB内存，五位读数完全正确率87.70%。

机会点

可扩展到多品牌水表、自然光照及农田灌溉计量场景的鲁棒端侧识别。

尽管全球范围内正在推广智能水表，机械水表仍在住宅和市政管网中广泛使用。通过计算机视觉对其进行升级可避免昂贵的基础设施更换，但大多数方法将数据发送至云服务器进行处理。本文提出一种端侧端到端解决方案，用于在ESP32-CAM开发板上识别水表数字，该开发板成本低于15美元，仅具有520 KB SRAM。基于MobileNetV2的数字分类器被量化为INT8。三项固件改进扩展了推理循环：i）时间校验，仅当连续三次检测结果一致时才确认读数；ii）无需服务器支持的端侧异常检测；iii）自适应采样，用水期间为3秒，空闲时为60秒。一个名为MeterWatch的基于Flask的物联网（IoT）仪表板提供实时监控。该模型实现2毫秒延迟和235.6 KB峰值内存。在来自包含6,155张图像、13,470个数字标注的自定义数据集的Ona553图像测试子集上，该模型达到99.60%的单元格级准确率（含背景）、96.89%的纯数字准确率和87.70%的五位读数完全准确率。据我们所知，这是首个在ESP32-CAM上结合端侧INT8部署、水表数字识别和智能固件行为的系统。评估使用单一品牌水表，在固定闪光灯照明条件下进行。