Um die geringe Effizienz der manuellen Zählerablesung und das Problem der Ungenauigkeit bestehender Bilderkennungsmethoden bei der Erkennung von Doppelhalbzeichen zu überwinden, wurde ein intelligentes bildbasiertes Zählerablesesystem für Buchstabenraddurchlauferfassungen entwickelt, das auf Narrowband-IoT (NB-IoT)-Technologie und einem leichtgewichtigen Convolutional Neural Network (CNN) basiert. Zunächst lädt das Bildaufnahmegerät mit einem NB-IoT-Modul die vom Kameraaufgenommenen Zifferblätterbilder auf eine Cloud-Plattform hoch; anschließend wird eine Methode zur lokalen Merkmalsextraktion und -abgleich verwendet, um die affine Transformationsmatrix zu schätzen, die das eingegebene Zifferblattbild in den Koordinatenraum des Vorlagenbildes transformiert und die einzelnen Ziffernunterbilder segmentiert; schließlich erkennt ein leichtgewichtiges CNN-Modell basierend auf Multilabel-Klassifikation diese Unterbilder und erhält durch Nachbearbeitung das endgültige Zählergebnis. Experimentelle Ergebnisse zeigen, dass der Ruhestrom des Bildaufnahmegeräts im System unter 10 μA liegt, was einen Betrieb von 2 Lithium-Halbzellen über mehr als 5 Jahre gewährleistet; das vorgeschlagene CNN-Modell basierend auf Multilabel-Klassifikation kann Einzelzeichen und Doppelhalbzeichen genau erkennen und erreicht eine Zeichen­erkennungsgenauigkeit von 96,36 % und eine Ablesegenauigkeit von 94,15 %, was bessere Ergebnisse als andere Vergleichserkennungsalgorithmen zeigt.

Narrowband-IoT;Automatisches Ablesesystem;Convolutional Neural Network;Erkennung von Doppelhalbzeichen;Multilabel-Klassifikation