1.1 研究動機與背景
過去，傳統式電錶由於其耐用性高、結構簡單、維護成本低等優點，已被廣泛應用於 大型變電站、工廠、公寓等地方，如圖1-1(a)所示，由於傳統式電錶不具備任何通訊功能，
至目前為止都還是以人工抄錶為主，這不僅耗時還增加人事成本。
隨著物聯網(IoT)和人工智能(AI)技術的快速發展，將AI和IoT技術結合成為AIoT，以 實現智能家居、智能產業和智能城市。如圖1-1(b)所示，近年來智慧電錶由於能夠遠端記錄 和監視功耗而開始取代傳統電錶，智慧電錶不僅可以降低人事成本，還具備了遠端控制功 耗的能力，與傳統電錶相比，智慧電錶更符合當前智能城市的趨勢。
但是，儘管政府加快了智慧電錶的佈建，它仍然面臨許多問題，包括更換智慧電錶的 成本昂貴，進而導致替換進度緩慢。
(a) (b) 圖 1-1 (a)傳統電錶，(b)智慧電錶
1.2 研究目的
過去許多研究[1-8] [10] [12]已經提出使用自動抄錶器辨識傳統電錶上的錶盤值的方法，
這些方法首先對圖像中的五個錶盤進行分割，然後在分割的錶盤上找到指針的位置以辨識 錶盤數值。但是，傳統的電錶通常佈建在昏暗的環境中，這會使拍攝的圖像模糊並且難以 辨識，如圖 1-2 所示。
近期，由於卷積神經網路(CNN)具有很強的辨識模糊圖像的能力，卷積神經網路[9]已 被廣泛用於圖像識別，強大的卷積神經網路可以輕鬆辨識模糊圖像中的錶盤數值。然而，
強大的神經網路難以在缺乏計算資源的邊緣設備上有效地執行辨識功能，我們在這裡面臨 的挑戰是在性能和準確率之間進行權衡。
圖 1-2 具鏡面反射，灰塵和昏暗環境的電錶
1.3 研究方法概述
本論文所提出的自動抄錶系統分為三個部分，包括錶盤偵測，傾斜校正和錶盤識別，
如圖1-3 所示。
第一個錶盤偵測的部份，錶盤的形狀為圓形因此我們選用霍夫變換透過相機抓取錶盤，
此外，我們設定限制條件濾除畫面中多餘的圓圈。這個階段會將錶盤的圓心輸出至下個階 段，如圖1-4 所示。
圖 1-3 自動抄錶系統流程圖 輸入影像
偵測錶盤
傾斜校正
錶盤辨識
輸出辨識結果
圖 1-4 紅色圓圈為確定的電錶錶盤
第二個部分錶盤校正，將最左邊與最右邊錶盤的圓心相連成一直線，透過反正切三角 函數與直線斜率即可求出傾斜角度，將圖像的中心點用為仿射變換的旋轉中心，以校正傾 斜圖像，如圖1-5 所示，有助於我們在後續辨識錶盤數值時獲得更準確的結果。
第三個部分，分割每個錶盤送入事先訓練的輕量化卷積神經網路辨識錶盤數值，最後 將辨識出的錶盤數值上傳到雲端以監視用電狀況。
1.4 研究貢獻
在本文中，我們提出了一種基於輕量化卷積神經網路的自動讀錶器。為了減輕佈建難 度並提高後續錶盤辨識的準確率，我們所提出的自動讀錶器具有自動調整傾斜錶盤圖像的 能力，此外本研究所提出的輕量化卷積神經網路可以在不清晰的環境中提高錶盤辨識的準 確率，並且可以實現在邊緣設備(如 Raspberry Pi)上。
1.5 論文架構
本論文分為五章節:
第一章 緒論：分別介紹傳統電錶與智慧電錶的優劣，提出如何改善現今智慧電錶所面臨 的困難，闡述本論文的研究方法與研究貢獻。