UFPR-ADMR

UFPR-ADMR数据集是由巴西帕拉联邦大学信息学院创建的公开数据集，专门用于表盘式仪表的自动读取研究。该数据集包含2000张图像，这些图像是在不受控制的环境中由Copel公司的员工使用手机摄像头拍摄的。数据集中的每张图像都包含了表盘的位置标注，用于辅助开发和评估新的自动读表方法。该数据集主要应用于解决传统机械仪表读取的自动化问题，特别是在电力、水务和燃气行业中，以提高读表的准确性和效率。The UFPR-ADMR Dataset is a publicly available dataset developed by the School of Information, Federal University of Paraná, Brazil, specifically tailored for research on automatic reading of dial-type meters. This dataset consists of 2000 images captured by employees of Copel using smartphone cameras in uncontrolled real-world environments. Each image in the dataset is annotated with the position of the dial meter, which supports the development and evaluation of novel automatic meter reading methods. The dataset is primarily utilized to address automation issues in traditional mechanical meter reading, especially across the power, water supply, and natural gas industries, to enhance the accuracy and efficiency of meter reading operations.

搜集汇总

数据集介绍

构建方式

在智能电表尚未全面普及的背景下，针对大量仍在运行的指针式仪表，UFPR-ADMR数据集应运而生。该数据集由巴西巴拉那能源公司（Copel）的员工使用多种品牌和型号的手机摄像头，在实际用电单元现场采集图像，并经人工筛选出2000张人类可正确判读的仪表图片。每张图像均被标注了包含所有表盘的不规则四边形角点坐标，用于后续的图像校正，同时提供了每个表盘的边界框及最大内接椭圆标注，总计包含9097个独立表盘，其中45%的仪表拥有4个表盘，55%拥有5个表盘。数据集被随机划分为训练集（1200张）、验证集（400张）和测试集（400张），并明确公开了划分方案，以确保不同方法间的公平比较。

特点

UFPR-ADMR数据集具有鲜明的真实世界挑战性。图像来源于非受控的户外环境，存在光照不均、眩光、反光、污渍、玻璃破损、模糊、低对比度及拍摄距离过远等多种复杂情况，且图像经过压缩存储，分辨率仅为640×480或480×640像素。表盘尺寸差异悬殊，最小表盘仅为20×29像素，最大则达206×201像素，表盘指针方向顺逆交替，制造商和型号多样导致模板与刻度样式各异。与数字式仪表数据集不同，本数据集中各数字的分布近乎均匀，避免了因首位数字多为0而产生的类别不平衡问题，更真实地反映了长期运行后表盘指针的随机状态。

使用方法

该数据集为指针式仪表自动读数研究提供了标准化的评估协议。研究者可采用端到端的深度学习检测网络（如Faster R-CNN或YOLO系列）直接在原始图像上检测并识别每个表盘指向的数字，无需先进行感兴趣区域（ROI）检测。识别结果按从左至右的顺序组合成读数序列，通过与真实值比较，采用表盘识别率（基于Levenshtein距离）、仪表识别率（完全匹配）和平均绝对误差（MAE）三项指标进行评价。数据增强方面，建议对训练图像进行随机缩放、平移、旋转和剪切以提升模型泛化能力。该数据集需通过申请获取，为开发鲁棒性更强的指针仪表识别方法提供了宝贵的基准。

背景与挑战

背景概述

在智能电表逐步推广但尚未完全取代老旧机械仪表的背景下，图像式自动抄表技术应运而生，旨在以更低成本实现非智能仪表的远程读数。UFPR-ADMR数据集由巴西巴拉那联邦大学的研究人员Gabriel Salomon、Rayson Laroca与David Menotti于2020年创建，聚焦于指针式拨盘电表的自动识别。该数据集包含2000张由巴西能源公司Copel员工在真实户外环境中拍摄的图像，涵盖9,097个独立拨盘，并提供了严格定义的评估协议。作为首个公开的指针式拨盘电表图像数据集，它为深度学习模型在非受控场景下的多拨盘读数研究奠定了基准，推动了该领域从工业控制仪表向复杂住宅场景的拓展。

当前挑战

该数据集面临的核心挑战源于图像质量与拨盘特性。首先，采集环境极度非受控，低端摄像头、强烈光照变化、反光、污垢、玻璃破损及高压缩处理导致图像出现模糊、低对比度和噪声，严重干扰指针与刻度标记的辨识。其次，拨盘存在顺时针与逆时针交替排列的复杂结构，且不同制造商的表盘模板与指针设计各异，加之拍摄角度带来的透视畸变，使得精确判定指针所指数值极为困难。在构建过程中，研究人员需从海量原始图像中筛选出人眼可辨识读数的样本，并手动标注不规则四边形区域及每个拨盘的边界框，工作量巨大。此外，拨盘尺寸差异悬殊（最小20×29像素，最大206×201像素），进一步增加了检测与识别的难度。

常用场景

经典使用场景

UFPR-ADMR数据集专注于基于图像的指针式仪表自动读数任务，属于自动仪表读数（AMR）领域中的核心应用场景。该数据集由巴西巴拉那联邦大学研究团队联合当地电力公司Copel构建，收录了2000张在真实户外环境中由员工用手机拍摄的仪表图像，涵盖4表盘与5表盘两种类型，共计9097个独立指针表盘。每张图像均提供了不规则四边形包围框、表盘边界框及最大内切椭圆的精细标注，并划分了明确的训练、验证与测试子集。该数据集的主要使用场景是训练和评估深度学习模型，以在非受控条件下（如光照不均、反光、污渍、玻璃破损等）实现从原始图像中直接检测并识别每个表盘指向的数字序列，最终输出完整的仪表读数。

解决学术问题

该数据集填补了指针式仪表图像公开数据集领域的空白，此前绝大多数研究依赖私有数据集或仅针对工业场景中的单表盘仪表。UFPR-ADMR解决了多个关键学术问题：首先，它提供了首个包含多表盘、多方向（顺时针与逆时针交替）指针的公开基准，使得不同方法可在统一协议下公平比较。其次，通过引入Levenshtein距离、仪表识别率与平均绝对误差等多维度评估指标，该数据集有效衡量了模型在表盘级别与仪表级别的识别精度，并特别关注高位数字的误判惩罚。此外，数据集揭示了非受控环境下的典型挑战，如指针位于刻度标记间的模糊状态、对称性混淆、旋转畸变等，为后续研究指明了改进方向。其意义在于推动了深度学习在实用化AMR系统中的应用，为降低人工抄表成本、提升读数效率奠定了数据基础。

衍生相关工作

UFPR-ADMR数据集催生了一系列经典的衍生研究工作。在方法论层面，该工作首次将Faster R-CNN与YOLOv3等深度检测网络应用于多表盘指针识别，并建立了基于ResNet与ResNeXt骨干网络的基准性能，后续研究在此基础上引入了改进的损失函数以惩罚高位数字错误，或采用注意力机制增强对指针角度与刻度边界的分辨能力。在数据层面，该数据集启发了多模态融合方案，例如结合图像与几何先验信息（如表盘模板匹配）的混合方法。此外，该数据集与同团队先前发布的UFPR-AMR（数字式仪表）数据集形成了互补，共同推动了AMR领域从单一表盘到多类型仪表的系统化研究。在应用拓展上，基于该数据集的模型被进一步优化用于移动端实时推理，催生了轻量化网络架构（如MobileNet与Tiny-YOLO）在仪表读数任务中的适配研究。