Segmentação Semântica de Medidores de Energia Elétrica e Componentes de Identificação / Semantic Segmentation of Electricity Meters and Identification Components

Arthur Costa Serra, João Vitor Ferreira França, Jefferson Alves de Sousa, Robherson Wector de Sousa Costa, Italo Francyles Santos da Silva, Simara Vieira da Rocha, Anselmo Cardoso de Paiva, Aristófanes Correa Silva, Eliana Márcia G. Monteiro, Italo Fernandes S. da Silva, Márcia Izabel A. da Silva, Jose Messias dos Santos

Resumo


A Agência Nacional de Energia Elétrica (ANEEL) classifica erros de medição de consumo e processamento de fatura como perdas não-técnicas.  Quando essas irregularidades são identificadas, ´e solicitada a aquisição da imagem do medidor e a captura da localização geográfica do leiturista para registrar a sua presença no local. Essas imagens são enviadas para o setor de auditoria. Este recebe um grande volume de imagens, cuja análise completa é muito lenta. Como alternativa, tem-se a autoleitura, que é a leitura feita pelo próprio cliente através de plataformas digitais. E para garantir a segurança no processo de autoleitura, é necessária uma etapa automática de validação (autoauditoria).  Este trabalho propõe um método baseado em aprendizado profundo para a segmentação semântica de medidores de energia e componentes de identificação, almejando contribuir com mais eficiência ao processo de validação de leitura.  O método apresenta mean average precision (mAP) de 73,10% para os casos em que intersection over union (IoU) ≥ a 0,50; 42,17% para IoU ≥ 0,75 e 41,28% quando IoU ≥ 0,99.


Palavras-chave


Autoleitura, Autoauditoria, Processamento de imagens, Segmentação Semântica, Aprendizado Profundo

Texto completo:

PDF

Referências


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

Huang, J., Rathod, V., Sun, C., Zhu, M., Korattikara, A., Fathi, A., Fischer, I., Wojna, Z., Song, Y., Guadarrama, S., and Murphy, K. (2017). Speed/accuracy trade- offs for modern convolutional object detectors. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S.E., Fu, C., and Berg, A.C. (2015). SSD: single shot multibox

detector. CoRR, abs/1512.02325. URL http://arxiv. org/abs/1512.02325.

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

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

Redmon, J., Divvala, S.K., Girshick, R.B., and Farhadi,

A. (2015). You only look once: Unified, real-time object detection. CoRR, abs/1506.02640. URL http://arxiv. org/abs/1506.02640.

Reis, A.B.S., de Sousa, J.A., da Silva Neto, O.P., Silva,

A.C., de Paiva, A.C., de Almeida, J.D.S., Junior, G.B., Azevedo, L.M., and Monteiro, E.M. (2017). Segmentação automática de medidores eletromecânico e eletrônico baseado em imagens. In Simpósio Brasileiro de Automação Inteligente (SBAI).

Ren, S., He, K., Girshick, R.B., and Sun, J. (2015). Faster R-CNN: towards real-time object detection with region proposal networks. CoRR, abs/1506.01497. URL http:

//arxiv.org/abs/1506.01497.

Simonyan, K. and Zisserman, A. (2014). Very deep

convolutional networks for large-scale image recognition.

arXiv 1409.1556.

Tieleman, T. and Hinton, G. (2012). Lecture 6.5— RmsProp: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning.

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/basrv4n3-100

Apontamentos

  • Não há apontamentos.