Samenvatting

Dit project richt zich op de ontwikkeling van een robuust en energiezuinig Automatic Meter Reading (AMR)-systeem voor analoge meters in industriële omgevingen. Het systeem maakt gebruik van beeldherkenning om meterstanden automatisch uit te lezen, zelfs onder uitdagende omstandigheden zoals slechte verlichting, vervuiling en beschadigingen. Het AMR-systeem bestaat uit drie onderdelen: Een detectiemodel (YOLOv11nano) voor het lokaliseren van het cijferdisplay. Een compact neuraal netwerk voor het classificeren van cijfers. Een reconstructiemodel gebaseerd op een Graph Neural Network (GNN) voor het herstellen van vervormde of deels verborgen cijfers. Door gebruik te maken van TinyML-technieken is het systeem geoptimaliseerd voor resource-beperkte hardware zoals microcontrollers, waardoor lokale, energiezuinige verwerking mogelijk is zonder netwerkverbinding. Het GNN-reconstructiemodel is op dit moment nog niet geschikt voor embedded hardware en vormt een aandachtspunt voor verdere ontwikkeling. Hoewel het systeem onder gecontroleerde omstandigheden goed presteert, is de robuustheid in realistische, industriële situaties nog beperkt.