Reconhecimento de Dígitos em Imagens de Medidores de Energia no Contexto de um Aplicativo de Autoleitura
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 enviará as informações de consumo. Uma etapa primordial desse processo
e 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 analogicos.
Reconhecimento de Dígitos em Imagens de Medidores de Energia no Contexto de um Aplicativo de Autoleitura
-
DOI: 10.22533/at.ed.6522023032
-
Palavras-chave: Consumo de Energia, Autoleitura, Reconhecimento, Processamento de imagens, Aprendizado de Máquina, HOG, LSS, SVM.
-
Keywords: Energy Consumption, Self-reading, Recognition, Image Processing, Machine Learning, HOG, LSS, SVM
-
Abstract:
According to Brazilian Electricity Regulatory Agency (ANEEL), nontechnical
losses are those related to energy theft and access impediment to consumer
units. A feasible and low cost alternative for reducing these failures would be the
reading done by customers which is called self-reading. This process includes the use
of digital platforms and the customer would register and send consumption information.
A primordial step of this process is the digits automatic recognition in energy meters
through images. This work proposes a computational method to perform this task.
Histogram of Oriented Gradients (HOG) and Local Self-similarity (LSS) descriptors
are combined and used with Support Vector Machine (SVM) classier. The proposed
method obtains accuracy of 97.90% and 96.72% respectively for digits recognition in
digital and analogical energy meters.
-
Número de páginas: 6
- 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 Corrêa Silva
- Eliana Márcia Garros Monteiro
- Italo Fernandes Serra da Silva
- Marcia Izabel Alves da Silva
- José Messias dos Santos
