Reconhecimento de Dígitos em Imagens de Medidores de Energia no Contexto de um Aplicativo de Autoleitura / Digit Recognition in Energy Meter Images in the Context of a Self-Reading Application

Arthur Costa Serra, João Vitor Ferreira França, Ricardo Costa da Silva Marques, Weslley Kelson Ribeiro Figueredo, Artur Bernardo Silva Reis, Italo Francyles Santos da Silva, Simara Vieira da Rocha, Aristófanes Correa Silva, Eliana Márcia G. Monteiro, Italo Fernandes S. da Silva, Márcia Izabel A. da Silva, Jose Messias dos Santos

Resumo


Segundo a Agência Nacional de Energia Elétrica (ANEEL), perdas não-técnicas são aquelas relacionadas a furtos de energia e impedimento de acesso às unidades consumidoras. Uma alternativa viável e de menor custo para a redução dessas falhas seria a leitura realizada pelo próprio consumidor, denominada de autoleitura.  Esse processo engloba o uso de plataformas digitais, por meio das quais o consumidor registraria e enviaria as informações de consumo. Uma etapa primordial desse processo é o reconhecimento automático de dígitos em medidores por meio de imagens. Este trabalho propõe um método computacional para a realização dessa tarefa. São utilizados os descritores de característica Histogram of Oriented Gradients (HoG) e Local Self-similarity (LSS) de forma combinada e o classificador Máquina de Vetores de Suporte (SVM). O método alcança acurácia de 97,90% e 96,72%, respectivamente, para o reconhecimento de dígitos em medidores digitais e analógicos.

 


Palavras-chave


Consumo de Energia, Autoleitura, Reconhecimento, Processamento de imagens, Aprendizado de Máquina, HoG, LSS, SVM

Texto completo:

PDF

Referências


ANEEL (2019). Energia no brasil e no mundo. URL http://www2.aneel.gov.br/arquivos/pdf/atlas_ par1_cap2.pdf.

Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273–297.

Dalal, N. and Triggs, B. (2005). Histograms of oriented gradients for human detection. In 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), volume 1, 886–893 vol. 1. doi: 10.1109/CVPR.2005.177.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., and Witten, I.H. (2009). The weka data mining software: An update. SIGKDD Explor. Newsl., 11(1), 10–18. doi:10.1145/1656274.1656278. URL http:

//doi.acm.org/10.1145/1656274.1656278.

Parthiban, K. and Palanisamy, A. (2013). Reading values

in electrical meter using image processing techniques. In Intelligent Interactive Systems and Assistive Technologies (IISAT), 2013 International Conference on, 1–7. IEEE.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duches- nay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

Quintanilha, D.B.P., Costa, R.W.S., Diniz, J.O.B., de Almeida, J.D.S., Braz, G., Silva, A.C., de Paiva, A.C., Monteiro, E.M., Froz, B.R., Pinheiro, L.P.A., and Melho,

W. (2017). Automatic consumption reading on electromechanical meters using hog and svm. In 7th Latin American Conference on Networked and Electronic Media (LACNEM 2017), 57–61. doi:10.1049/ic.2017.0036.

Shechtman, E. and Iran, M. (2007). Matching local self-similarities across images and videos. In 2007 IEEE Conference on Computer Vision and Pattern Recognition, 1–8. doi:10.1109/CVPR.2007.383198.

Tian, Q.C. and Cohen, L.D. (2018). A variational-based fusion model for non-uniform illumination image enhancement via contrast optimization and color correction. Signal Processing, 153, 210

– 220. doi: https://doi.org/10.1016/j.sigpro.2018.07. 022. URL http://www.sciencedirect.com/science/ article/pii/S0165168418302548.

Vidinich, R. and Nery, G. (2009). Pesquisa e desenvolvimento contra o furto de energia. Revista Pesquisa e Desenvolvimento da ANEEL–P&D, 15.

Yao, S., Pan, S., Wang, T., Zheng, C., Shen, W., and Chong, Y. (2015). A new pedestrian detection method based on combined hog and lss features. Neurocomputing, 151, 1006 – 1014. doi: https://doi.org/10.1016/j.neucom.2014.08. 080. URL http://www.sciencedirect.com/science/ article/pii/S0925231214013393.

Zhang, Y., Yang, S., Su, X., Shi, E., and Zhang, H.

(2016). Automatic reading of domestic electric meter: an intelligent device based on image processing and zigbee/ethernet communication. Journal of Real-Time Image Processing, 12(1), 133–143.




DOI: https://doi.org/10.34115/basrv4n3-099

Apontamentos

  • Não há apontamentos.