SEGMENTAC˘AO AUTOM~ ATICA DE MEDIDORES ELETROMEC … · total de 44% da perda total anual que e da...
6
SEGMENTA¸ C ˜ AO AUTOM ´ ATICA DE MEDIDORES ELETROMEC ˆ ANICO E ELETR ˆ ONICO BASEADO EM IMAGENS Artur Bernardo Silva Reis * , Jefferson Alves de Sousa * , Ot´ ılio Paulo da Silva Neto * , Arist´ ofanes Corrˆ ea Silva * , Anselmo Cardoso de Paiva * , Jo˜ ao Dallyson Sousa de Almeida * , Geraldo Braz Junior * , Luisa Morais Azevedo † , Eliana M´ arcia Monteiro † , Bruno Rodrigues Froz † , ´ Italo Fernandes Serra da Silva † * N´ ucleo de Computa¸ c˜aoAplicada Universidade Federal do Maranh˜ao S˜aoLu´ ıs, MA, Brasil † Companhia Energ´ etica do Maranh˜ao - CEMAR e Centrais El´ etricas do Par´a S.A - CELPA S˜aoLu´ ıs, MA, Brasil Emails: [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected] Abstract— The reading of electricity consumption in Brazil is usually performed manually. A field work performs for each consumption unity the reading of the digits in kilowatts-hour. One way to validate the reading done by meter readers in the field is by requesting image acquisition of the electricity meter. This must be helpful when there is a divergence in consumption reported by the readers and assumed by the consumer. However, this validation process in two Brazilian energy companies (CEMAR and CELPA) carries a daily volume of approximately 30.000 images to be analyzed. In this context, this paper presents a method for the automatic segmentation of the image region associated with the energy meter. This is a fundamental task aiming to ease the manual validation process and a required step for an automatic reading of the energy meter digits representing the consumption. The proposed method obtained accuracy of 96,41 %, 89,81% and 78,85% for the three image classes: good, regular and bad. . Keywords— Energy meter, segmentation of meter, image processing Resumo— No Brasil, o procedimento de leitura de energia el´ etrica na maioria da vezes ´ e realizado por leituristas que realizam mensalmente a leitura dos d´ ıgitos que representam o consumo da unidade consumidora em kilowatts-hora (kWh) a partir da visualiza¸c˜ao dos medidores instalados nessas unidades. Este processo pode resultar em erros de leitura e gerar inconsistˆ encias. Uma das formas de analisar e validar a medi¸ c˜aorealizada pelos leituristas ´ e atrav´ esdasolicita¸c˜aodeaquisi¸c˜ ao de imagens em situa¸c˜oes que existem inconsistˆ encias. Por exemplo, o consumo informado pelo leiturista ´ e muito diferente da m´ edia da unidade consumidora. Entretanto, esse processo de valida¸c˜ ao em duas companhias de distribui¸c˜ao de energia brasileiras, CEMAR e CELPA, gera um volume di´ario de aproximadamente 30 mil imagens para serem analisadas. Neste contexto, este artigo apresenta um m´ etodo para segmentar automaticamente a regi˜ao da imagem adquirida por leituristas de distribuidoras de energia associada ao medidor. Esta ´ e uma tarefa fundamental para facilitar o processo de valida¸c˜ao manual e uma etapa necess´aria para a leitura autom´ atica dos d´ ıgitos que representam o consumo. O m´ etodo proposto obteve acur´acia de 96,41%, 89,81% e 78,85%, respectivamente para as imagens categorizadas como boas, regulares e ruins. Palavras-chave— Medidor de energia, segmenta¸c˜ao de medidor, processamento de imagem 1 Introdu¸c˜ ao Medidor de energia el´ etrica ´ e um dispositivo ou equipamento eletromecˆ anico e/ou eletrˆ onico capaz de mensurar o consumo de energia el´ etrica. As companhias distribuidoras de energia el´ etricas realizam mensalmente a leitura dos d´ ıgitos que representam o consumo da unidade consumidora em kilowatts-hora (kWh). Na maioria das vezes, o processo de leitura ´ e realizado manualmente por leituristas, o que pode resultar em erros de leitura e gerar inconsistˆ encias. A Companhia Energ´ etica do Maranh˜ ao (CEMAR) e as Centrais El´ etricas do Par´ a S.A (CELPA) utilizam um dispositivo m´ ovel e uma impressora port´ atil para, respectivamente, coletar o consumo e imprimir a fatura dos clientes. Os leituristas normalmente registram no aplicativo do dispositivo m´ ovel o consumo visualizado no medidor. Caso n˜ ao haja nenhuma inconsistˆ encia, a fatura ´ e gerada, impressa e entregue ao cliente no mesmo instante da leitura. Entretanto, em alguns casos, o consumo informado est´ a fora da m´ edia de consumo do cliente ou o leiturista n˜ ao consegue realizar a leitura. Nestes casos, o aplicativo solicita a aquisi¸c˜ ao de imagem do medidor e captura a localiza¸ c˜ ao geogr´ afica do leiturista como registro que o leiturista esteve no local para medir. O procedimento pode conter falhas, tais como: imagem adquirida sem um medidor, ou imagem com medidor diferente do medidor correspondente, etc. O setor de cr´ ıtica da distribuidora utiliza a imagem adquirida como uma das formas de XIII Simp´osio Brasileiro de Automa¸ c˜ ao Inteligente Porto Alegre – RS, 1 o – 4 de Outubro de 2017 ISSN 2175 8905 2201
Transcript of SEGMENTAC˘AO AUTOM~ ATICA DE MEDIDORES ELETROMEC … · total de 44% da perda total anual que e da...
SEGMENTACAO AUTOMATICA DE MEDIDORES ELETROMECANICO EELETRONICO BASEADO EM IMAGENS
Artur Bernardo Silva Reis∗, Jefferson Alves de Sousa∗, Otılio Paulo da Silva Neto∗,Aristofanes Correa Silva∗, Anselmo Cardoso de Paiva∗, Joao Dallyson Sousa de
Almeida∗, Geraldo Braz Junior∗, Luisa Morais Azevedo†, Eliana Marcia Monteiro†,Bruno Rodrigues Froz†, Italo Fernandes Serra da Silva†
∗Nucleo de Computacao AplicadaUniversidade Federal do Maranhao
Sao Luıs, MA, Brasil
†Companhia Energetica do Maranhao - CEMAR e Centrais Eletricas do Para S.A - CELPASao Luıs, MA, Brasil
Emails: [email protected], [email protected], [email protected],
[email protected], [email protected], [email protected], [email protected],
[email protected], [email protected],
[email protected], [email protected]
Abstract— The reading of electricity consumption in Brazil is usually performed manually. A field workperforms for each consumption unity the reading of the digits in kilowatts-hour. One way to validate the readingdone by meter readers in the field is by requesting image acquisition of the electricity meter. This must be helpfulwhen there is a divergence in consumption reported by the readers and assumed by the consumer. However,this validation process in two Brazilian energy companies (CEMAR and CELPA) carries a daily volume ofapproximately 30.000 images to be analyzed. In this context, this paper presents a method for the automaticsegmentation of the image region associated with the energy meter. This is a fundamental task aiming to ease themanual validation process and a required step for an automatic reading of the energy meter digits representingthe consumption. The proposed method obtained accuracy of 96,41 %, 89,81% and 78,85% for the three imageclasses: good, regular and bad. .
Keywords— Energy meter, segmentation of meter, image processing
Resumo— No Brasil, o procedimento de leitura de energia eletrica na maioria da vezes e realizado porleituristas que realizam mensalmente a leitura dos dıgitos que representam o consumo da unidade consumidoraem kilowatts-hora (kWh) a partir da visualizacao dos medidores instalados nessas unidades. Este processo poderesultar em erros de leitura e gerar inconsistencias. Uma das formas de analisar e validar a medicao realizadapelos leituristas e atraves da solicitacao de aquisicao de imagens em situacoes que existem inconsistencias. Porexemplo, o consumo informado pelo leiturista e muito diferente da media da unidade consumidora. Entretanto,esse processo de validacao em duas companhias de distribuicao de energia brasileiras, CEMAR e CELPA, gera umvolume diario de aproximadamente 30 mil imagens para serem analisadas. Neste contexto, este artigo apresentaum metodo para segmentar automaticamente a regiao da imagem adquirida por leituristas de distribuidoras deenergia associada ao medidor. Esta e uma tarefa fundamental para facilitar o processo de validacao manual e umaetapa necessaria para a leitura automatica dos dıgitos que representam o consumo. O metodo proposto obteveacuracia de 96,41%, 89,81% e 78,85%, respectivamente para as imagens categorizadas como boas, regulares eruins.
Palavras-chave— Medidor de energia, segmentacao de medidor, processamento de imagem
1 Introducao
Medidor de energia eletrica e um dispositivo ouequipamento eletromecanico e/ou eletronico capazde mensurar o consumo de energia eletrica. Ascompanhias distribuidoras de energia eletricasrealizam mensalmente a leitura dos dıgitos querepresentam o consumo da unidade consumidoraem kilowatts-hora (kWh). Na maioria das vezes,o processo de leitura e realizado manualmente porleituristas, o que pode resultar em erros de leiturae gerar inconsistencias.
A Companhia Energetica do Maranhao(CEMAR) e as Centrais Eletricas do Para S.A(CELPA) utilizam um dispositivo movel e umaimpressora portatil para, respectivamente, coletaro consumo e imprimir a fatura dos clientes. Os
leituristas normalmente registram no aplicativodo dispositivo movel o consumo visualizado nomedidor. Caso nao haja nenhuma inconsistencia,a fatura e gerada, impressa e entregue ao clienteno mesmo instante da leitura. Entretanto, emalguns casos, o consumo informado esta forada media de consumo do cliente ou o leituristanao consegue realizar a leitura. Nestes casos,o aplicativo solicita a aquisicao de imagem domedidor e captura a localizacao geografica doleiturista como registro que o leiturista esteve nolocal para medir. O procedimento pode conterfalhas, tais como: imagem adquirida sem ummedidor, ou imagem com medidor diferente domedidor correspondente, etc.
O setor de crıtica da distribuidora utilizaa imagem adquirida como uma das formas de
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
ISSN 2175 8905 2201
analisar as inconsistencia na leitura. Isto e feitovisando minimizar perdas nao tecnicas (erros noconsumo cobrado, furtos ou fraudes, etc). NoBrasil as perdas nao tecnicas representam umtotal de 44% da perda total anual que e daordem de 52 Terawatts/hora (TWh), chegando acustar aproximadamente R$ 5,5 bilhoes e chegama R$ 7,3 bilhoes quando acrescidas dos tributos(ICMS, PIS Cofins) (Vidinich and Nery, 2009).A CEMAR e CELPA juntas, diariamente temum volume medio de 30 mil imagens adquiridase enviadas para analise (setor de critica) antes degerar uma fatura para o cliente.
Devido ao grande volume de imagens a seremanalisadas, a auditoria e geralmente feita poramostragem. Um grupo de pessoas analisa estaamostra e identifica qual foi o problema. Algumasvezes nao existe problema, outras vezes existeminconsistencias e e necessario fazer nova leitura ououtro procedimento. Isso pode levar a um enormeprejuızo tanto para as empresas quanto para osclientes.
Alguns trabalhos tem sido propostos visandoa realizacao da leitura automatica do consumode unidades consumidoras de energia eletricabaseado em imagens. Em geral esses trabalhosrealizam a aquisicao da imagem fixando umacamera posicionada a frente do medidor, focandoa regiao dos dıgitos do equipamento e emseguida, utilizado tecnicas de processamentode imagens e aprendizado de maquina pararealizar o reconhecimento dos dıgitos da regiao deleitura (Parthiban and Palanisamy, 2013; Zhanget al., 2016). Uma outra abordagem para a leituraautomatica do consumo e proposta com base nautilizacao de medidores inteligentes. Medidoresinteligentes sao equipamentos que realizam aleitura e as enviam automaticamente via rede dedados (SMS, GSM, PLC ou wireless) (Popa, 2011;Ali et al., 2012; Prapasawad et al., 2012).
Atualmente, encontra-se em desenvolvimentouma ferramenta computacional, Sistema deValidacao (SIVAL), para realizar a analisee validacao do consumo de energia eletricaatraves da aquisicao de imagens, inteligenciacomputacional e uso de dispositivos moveis. Estesistema pretende minimizar erros produzidos peloser humano na leitura e detectar as inconsistencias(ausencia do medidor, identificacao incorretado medidor, impossibilidade de leitura doconsumo e consumo incorreto), atraves devalidacao massiva de imagens antes do processoda crıtica de leitura. Ao mesmo tempo,pretende realizar o reconhecimento automaticodo consumo, propiciando a validacao dovalor da medicao realizada pelo tecnico. Oresultado deste trabalho esta inserido em umprojeto de Pesquisa e Desenvolvimento (P&D),contratado pela CEMAR/CELPA (ANEELPD-00371-0029/2016), executado pelo Nucleo de
Computacao Aplicada (NCA) da UniversidadeFederal do Maranhao (UFMA).
O SIVAL engloba as necessidades de analisecrıtica de um grande volume de imagensde medidores coletadas em campo, e estainserido no fluxo de trabalho de medicao deconsumo das equipes das distribuidoras deenergia. Portanto, o SIVAL nao substituios leituristas em campo, mas incrementa acapacidade de processamento da equipe decrıtica. A analise crıtica dessas imagens e umprocesso de validacao realizado continuamentecomo mecanismo de acompanhamento do servicoprestado pelos leituristas. Esse processo tem comofinalidade assegurar que as medicoes de consumocorrespondam ao valor de medicao apresentadona imagem e acompanhar se os servicos prestadosestao sendo realizados adequadamente.
O SIVAL beneficia os setores de leitura,faturamento, cobranca, servico de rede erecuperacao de energia da CEMAR/CELPA.Esta ferramenta proporciona a validacao damedicao de consumo de energia, a diminuicao deperdas nao tecnicas, a diminuicao de processosjudiciais por faturamento indevido, a diminuicaoda quantidade de mao de obra necessaria paravalidar manualmente a leitura e consequentementeo aumento da eficiencia da crıtica de leitura.
Uma das etapas fundamentais no processode validacao do consumo de energia eletricaatraves da analise das imagens dos medidorese exatamente a identificacao da regiao daimagem adquirida pelo leiturista, que correspondeao medidor. Este processo e denominadosegmentacao do medidor.
Neste trabalho e apresentado um metododesenvolvido para realizar a tarefa de segmentacaodo medidor. Esta etapa e de fundamentalimportancia, pois separa o medidor de outrosobjetos presentes na imagem adquirida durantea leitura. Este processo manipula um grande ecomplexo volume de imagens, das mais diversasnaturezas e sem padronizacao no protocolo deaquisicao das imagens (distancia de aquisicao,iluminacao, enquadramento, etc). A essascaracterısticas ainda se somam a diversidade detipos de medidores presente nas distribuidoras.Foram catalogados 54 tipos de medidoresdiferentes somente na CEMAR e CELPA. AFigura 1 exemplifica a segmentacao de ummedidor.
2 Materiais e metodos
Apresentamos nessa secao o metodo proposto parareconhecimento da presenca de medidor eletriconuma imagem obtida em campo assim como adescricao dos materiais utilizados para validar ometodo proposto.
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
2202
(a) (b)
Figura 1: Exemplo de medidor adquirido.a) Medidor e outros objetos e b) Medidorsegmentado
2.1 Base de imagens
A amostra de imagens utilizada neste trabalho foiextraıda do banco de dados da CEMAR/CELPA.Sao armazenadas diariamente no banco de dadosaproximadamente 30 mil imagens para seremanalisadas. As imagens foram adquiridas nomomento da leitura usando dispositivos portateiscom sistema operacional Android, e cameras comresolucao variando entre 5 e 8 megapixels.
A amostra utilizada neste trabalho paravalidacao do metodo proposto e formada por 1007imagens, todas contendo um medidor. As imagensforam classificadas previamente, visualmente,quanto a facilidade de identificar o medidor naimagem nas seguintes classes:
1. Boas (224 imagens): Imagens com poucadistorcao nos eixos X e Y, regiao de leiturado consumo e identificacao do equipamentovisıveis;
2. Regulares (471 imagens). Imagens comregioes de medidores parcialmente oclusos oucom problemas de iluminacao;
3. Ruins (312 imagens). Imagens com displayarranhado e manchado, medidor cortado eorientacao ruim nos eixos Y e Z.
A classificacao foi manual e nao segue umconjunto automatizado de criterios, mas apenas aanalise do rotulador experiente quanto a qualidadeda mesma para tecnicas de processamento deimagens. O objetivo desta classificacao emcategorias, consiste em medir o desempenho daabordagem proposta em diferentes situacoes econtribuir para a formacao de um protocolo detreinamento dos leituristas em novas aquisicoes.Uma vez criada a amostra, entende-se que ometodo proposto deve receber uma imagem como
entrada e segmentar com a maior precisao possıvela regiao associada ao medidor.
2.2 Segmentacao do medidor
Nesta secao e descrita a metodologia propostapara segmentar medidores com diversascaracterısticas (eletromecanico, eletronico, preto,branco, quadrado, circular, etc). Como o objetivogeral consiste no reconhecimento da leiturapresente na area dos dıgitos e o reconhecimentodo cliente atraves de sua identificacao por codigode barras, consideramos correto toda segmentacaoque mantiver essas duas areas na imagem.
O fluxograma (Figura 2) ilustra todos ospassos do metodo.
Figura 2: Fluxograma da segmentacao domedidor.
A partir da imagem original encontra-seo ponto central, levando-se em consideracao alargura e altura da imagem. Em seguida,aplica-se o Contrast Limited Adaptive HistogramEqualization (CLAHE) (Pedrine and Schwartz,2008) para melhorar o contraste local das regioesdo medidor. A Figura 3b) mostra a aplicacao doCLAHE na Figura 3(a).
Em seguida calculamos a diferenca absolutada razao entre a largura e altura da imagem deacordo com a Equacao 1.
p =| LA− A
L| (1)
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
2203
onde p e a proporcao absoluta, L e a largura e Ae a altura da imagem.
A proporcao p sera adicionada as coordenadasx e y do ponto central da imagem para mais ea para menos, formando uma regiao de interesseno centro da imagem. Nesta regiao e calculadaa media aritmetica do valor de todos os pixels,sendo este valor o limiar utilizado para binarizara imagem. A Figura 3(c) apresenta o resultado doprocesso.
Apos a binarizacao da imagem e calculadaa razao r da proporcao entre a area total daimagem binarizada at e a quantidade de objetosqo encontrados, conforme a Equacao 2.
r =atqo
(2)
Se a area de cada objeto encontrado naimagem for menor que r, estes serao descartados,restando apenas os que tiverem quantidadesmaiores. A Figura 3(d) ilustra as regioes deinteresse (ROI) candidatas a medidor resultantesdeste passo.
Neste momento, de posse das ROIs candidatasa medidor, e calculada a area de cada umadelas, sendo considerada apenas aquela que tivera maior area, como pode ser visto na Figura 3(e).Em seguida e realizado o calculo da proporcao,conforme Equacao 3 para verificar se realmenteesta proporcao coincide com a regiao do medidor,haja visto, que geralmente o medidor ocupa umamaior area na imagem.
p =2 ∗ arat + ar
(3)
onde, p e a proporcao encontrada, ar representaa ROI com a maior area e at corresponde a areatotal de todas as ROIs candidatas.
Caso p seja menor que 60% , inverte-se aimagem. Caso contrario, considera-se a Regiaode Interesse (ROI) atual como sendo o medidor.Na Figura 3(e) ilustra-se o resultado deste passo.
Para finalizar, extrai-se da imagem originala bounding box referente a ROI candidata amedidor, obtendo-se a imagem resultante comopodemos visualizar na Figura 3(f).
3 Resultados e discussoes
O metodo proposto neste artigo foi avaliadonas tres categorias de imagens: Boas (224imagens), Regulares (312 imagens) e Ruins (471imagens), totalizando 1007 imagens. A seguir saoapresentados e discutidos os resultados alcancadosnas etapas de segmentacao do medidor.
A Tabela 1 apresenta os resultados obtidos nasegmentacao dos medidores. O metodo propostoerrou em apenas 8 imagens boas, resultandoem uma acuracia de 96,41%. Este desempenhonao se repetiu nas demais categorias de imagens
(a) (b) (c)
(d) (e) (f)
Figura 3: Imagens resultantes de cada passo dametodologia
testadas devido, principalmente, as caracterısticasque elam apresentam (Secao 2.1). Ainda assim,o metodo foi capaz de segmentar o medidorcorretamente em 89,81% das imagens boas e em78,85% das Ruins. Analisando a acuracia global,considerando toda a base de imagem testada,obtivemos acuracia de 87,88%.
Tabela 1: Resultados da segmentacao.
Boas Regulares Ruins
Acuracia % 96,41 89,81 78,85Acertos 216 423 246Erros 8 48 66Total 224 471 312
As Figuras 4(a-d) ilustram exemplos desucesso e erro da segmentacao nas imagenscategorizadas como boa. Nesta percebe-se que ometodo acertou mesmo na imagem apresentandovariacao de iluminacao e presenca de variosreflexos na tampa de protecao do medidor.Ja no exemplo de erro apresentado, percebe-se que o medidor nao esta centralizado naimagem adquirida e a regiao inferior, onde estapresente a identificacao do equipamento, ficou comincidencia de iluminacao inferior a parte superiorda imagem.
Ja nas Figuras 5(a-d) sao apresentadosexemplos de sucesso e erro na segmentacaodas imagens categorizadas como regulares. Noexemplo de acerto apresentado, percebe-se queo metodo acertou mesmo na imagem estandoum pouco desfocada. Ja no exemplo de erro
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
2204
(a) (b)
(c) (d)
Figura 4: Segmentacao das imagens Boas. a)imagem original e b) segmentacao com sucesso.c) imagem original e d) segmentacao com erro.
apresentado, e possıvel perceber que tanto oreflexo quanto a regiao de penumbra gerada naparte superior do medidor contribuıram para oinsucesso do metodo.
Por ultimo, nas Figuras 6(a-d) saoapresentados exemplos de sucesso e erro nasegmentacao das imagens categorizadas comoruins. No caso de acerto percebe-se que foipossıvel acertar mesmo com a imagem desfocadae a tela de protecao estando bastante borradae desgastada. Considerou-se acerto, devido asregioes de leitura de consumo e de identificacao domedidor estarem presentes na imagem resultante.Ja no exemplo de erro constatamos que aparte inferior da imagem esta com contrasteinferior diferente do contraste da imagem regularcarregada.
Para nao provocar retirada da imagem emetapas futuras do SIVAL, caso a area do medidornao seja corretamente segmentada, a imagemoriginal e repassada para a etapa seguinte.Todavia, sabe-se que o desempenho das demaisetapas pode ser afetado pelo fato de se estarpassando a imagem completa.
(a) (b)
(c) (d)
Figura 5: Segmentacao das imagens Regulares. a)imagem original e b) segmentacao com sucesso. c)imagem original e d) segmentacao com erro.
4 Conclusao
Este trabalho apresentou resultados promissoresno tratamento do problema de identificacao daregiao associada ao medidor em imagens obtidaspor leituristas de consumo de distribuidoras deenergia eletrica. Como pode-se ver nos resultadosmostrados, a metodologia foi capaz de segmentarmedidores ate com imagens da classe consideradasna classe pessimas.
E importante salientar que estes resultadosforam gerados sob um grande volume de imagensadquiridas sem obedecer nenhum protocolo ecom caracterıstica diversificadas. Desta maneira,pode-se supor que podemos obter melhoresresultados se um protocolo de aquisicao deimagens for adotado.
Este metodo e util, ainda, para alertaras companhias energeticas quanto a possıvelnecessidade de manutencao nos medidores que naoforem segmentados corretamente pelo metodo.
Agradecimentos
Os autores agradecem a CEMAR/CELPA pelosuporte financeiro disponibilizado atraves doprojeto ANEEL PD-00371-0029/2016.
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
2205
(a) (b)
(c) (d)
Figura 6: Segmentacao das imagens Ruins. a)imagem original e b) segmentacao com sucesso.c) imagem original e d) segmentacao com erro.
Referencias
Ali, A., Saad, N., Razali, N. and Vitee, N. (2012).Implementation of automatic meter reading(amr) using radio frequency (rf) module,Power and Energy (PECon), 2012 IEEEInternational Conference on, IEEE, pp. 876–879.
Parthiban, K. and Palanisamy, A. (2013). Readingvalues in electrical meter using imageprocessing techniques, Intelligent InteractiveSystems and Assistive Technologies (IISAT),2013 International Conference on, IEEE,pp. 1–7.
Pedrine, H. and Schwartz, W. R. (2008). WilliamRobson. Analise de Imagens Digitais:Principios, Algoritmos e Aplicacoes.,Thomson Learnig, Sao Paulo.
Popa, M. (2011). Gateway design andimplementation in an automatic meterreading system based on power linecommunications, Networked Computingand Advanced Information Management(NCM), 2011 7th International Conferenceon, IEEE, pp. 295–298.
Prapasawad, C., Pornprasitpol, K. and Pora,W. (2012). Development of an automaticmeter reading system based on zigbeepro smart energy profile ieee 802.15. 4standard, Electron Devices and Solid StateCircuit (EDSSC), 2012 IEEE InternationalConference on, IEEE, pp. 1–3.
Vidinich, R. and Nery, G. (2009). Pesquisa edesenvolvimento contra o furto de energia,Revista Pesquisa e Desenvolvimento daANEEL–P&D p. 15.
Zhang, Y., Yang, S., Su, X., Shi, E. and Zhang,H. (2016). Automatic reading of domesticelectric meter: an intelligent device basedon image processing and zigbee/ethernetcommunication, Journal of Real-Time ImageProcessing 12(1): 133–143.
XIII Simposio Brasileiro de Automacao Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
2206
