Automatic dial meter reading

Abstract

Resumo: Houve muitos avanços no campo da leitura automática de medidores. Uma das mais significativas foi a introdução de medidores inteligentes-medidores que podem realizar e enviar automaticamente a leitura para o provedor de serviço. No entanto, os medidores inteligentes têm a desvantagem de depender de cabos de dados ou redes móveis para realizar as leituras. Estimamos que a Companhia Paranaense de Energia (Copel), no Brasil, realiza mais de 4 milhões de leituras de medidores por mês, sendo 850 mil leituras de medidores de relógio (ponteiro). Portanto, um sistema de leitura automática baseado em imagens poderia agilizar o processo de leitura, reduzir erros humanos, criam uma prova de leitura e, por fim, permitir que os próprios clientes façam a leitura por meio de um aplicativo móvel. Nossas principais contribuições são: (i) novas abordagens para a leitura automática do medidor de relógio (ADMR); (ii) o maior (até onde sabemos) conjunto de dados de medidores de relógio do mundo real disponível publicamente (compartilhado mediante solicitação), chamado UFPR-ADMR-v2; (iii) uma avaliação de várias abordagens diferentes, incluindo métodos de última geração para realizar ADMR. Nosso método de melhor desempenho foi a combinação de YOLOv4 (rede de detecção) e Xception (treinada para regressão), com várias técnicas de pós-processamento. Em comparação com nosso trabalho anterior, fomos capazes de evoluir de 17,66% dos erros concentrados nos relógios menos significativos para 80%. O Erro Quadrado Médio diminuiu de 1.343 para 129. Com nossas técnicas e abordagens de correção, conseguimos atingir uma Taxa de Reconhecimento de Medidores(MRR) de 98,90 % (com uma tolerância de erro de 1 kWh).

Abstract: There has been a lot of advances in the field of Automatic Meter Reading. One of the the most significant was the introduction of smart meters -meters that can automatically perform and send the reading to the service provider. Nevertheless, smart meters have the disadvantage of depending on data cables or mobile networks to perform the readings. We estimate that the Energy Company of Paraná (Copel), in Brazil, performs more than 4 million meter readings per month, being 850 thousand of them dial meter readings.Therefore, an image-based automatic reading system could speed up the reading process, reduce human errors, create a proof of reading and ultimately enable the customers to perform the reading themselves through a mobile application. Our main contributions are: (i) novel approaches towards Automatic Dial Meter Reading (ADMR); (ii) the largest (to the best of our knowledge) publicly available real-world dial meter dataset (shared upon request) called UFPR-ADMR-v2; (iii) an evaluation of several different approaches including state-of-the-art methods towards performing ADMR. Our best performing method was the combination of YOLOv4 (detection) and Xception (regression), with several post-processing techniques. Compared to our previous work, we were able to evolve from 17.66% of the errors concentrated on the least significant dial to 80%. The Mean Absolute Error decreased from 1,343 to 129. With our correction techniques and approaches, we were able to achieve a Meter Recognition Rate of 98.90% (with an error tolerance of 1kWh).