Die Zählerstand-Eingabe ist der Basis-Prozess und eines der wichtigsten Features der kWhapp, auf welchem der Energie-Check basiert, welcher eines der wichtigsten Alleinstellungsmerkmalen der App darstellt. Eine manuelle Zählerstand-Eingabe erfordert mehrere Einstellungen, die vor einer Speicherung erforderlich sind. Zum einen bestehen diese aus der richtigen Erkennung und Einstellung des Zaählwerk-Types, zum anderen aus der Betrachtung der Vor-und Nachkommastellen eines Zaählerstandes, indem nur die Vorkommastellen für die Ablesung relevant sind.
Dieses Praxisprojekt befasst sicht mit der Möglichkeit Machine Learning für die automatische Zählertyp-Erkennung und OCR für die Strom-Zählerstand-Ablesung im iOS Kontext anzuwenden. Der Trainingsprozess eines Modells und dessen Anwendung werden für die automatische Erkennung des Zählertypes erläutert. Zusätzlich wird die Anwendung von OCR für die Zählerstand-Ablesung in Bezug auf die Vor-und Nachkommastellen, sowohl für analoge als auch digitale Zähler, präsentiert. Der Prototyp, welcher als Ergebnis dieses Praxisprojekts entstanden ist, liefert im Durchschnitt eine höhere Anzahl an korrekten Ablesungen, als das aktuell in der kWhapp angewendete vergleichbare Framework von Pixolus, wobei die Dauer einer Ablesung doppelt so lang ist.
Zusätzlich wird durch die automatische Zählertyp-Erkennung ein kontinuierliches Nutzer-Erlebnis gewährleistet, indem die benötigten extra-Konfigurationen komplett wegfallen. Zusätzlich dazu kann eine genauere Ablesung, als diese aktuell in der App möglich ist, gewährleistet werden. Dieses Praxisprojekt dient als Grundlage f̈ür eine mögliche Weiterentwicklung und Perfektionierung der automatischen Zählertyp- Erkennung und Zählerstand-Ablesung mithilfe von Machine Learning und OCR in einer iOS App.
bitte ergänzen