A Mobile Recognition System for Analog Energy Meter Scanning

Cerman, Martin; Shalunts, Gayane; Albertini, Daniel

doi:10.1007/978-3-319-50835-1_23

Cited by 17 publications

(34 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Although AMR is not as widespread in the literature as these applications, a satisfactory number of works have been produced in recent years. 3,6,7,11,20 Here, we briefly survey these works by first describing the approaches employed for each AMR stage.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Convolutional neural networks for automatic meter reading

et al. 2019

View full text Add to dashboard Cite

In this paper, we tackle Automatic Meter Reading (AMR) by leveraging the high capability of Convolutional Neural Networks (CNNs). We design a two-stage approach that employs the Fast-YOLO object detector for counter detection and evaluates three different CNN-based approaches for counter recognition. In the AMR literature, most datasets are not available to the research community since the images belong to a service company. In this sense, we introduce a new public dataset, called UFPR-AMR dataset, with 2,000 fully and manually annotated images. This dataset is, to the best of our knowledge, three times larger than the largest public dataset found in the literature and contains a well-defined evaluation protocol to assist the development and evaluation of AMR methods. Furthermore, we propose the use of a data augmentation technique to generate a balanced training set with many more examples to train the CNN models for counter recognition. In the proposed dataset, impressive results were obtained and a detailed speed/accuracy trade-off evaluation of each model was performed. In a public dataset, state-of-the-art results were achieved using less than 200 images for training.

show abstract

Section: Related Workmentioning

confidence: 99%

“…2,5 This offline checking is expensive in terms of human effort and time, and has low efficiency. 6 Moreover, due to a large number of images to be evaluated, the inspection is usually done by sampling 7 and errors might go unnoticed.…”

Section: Introductionmentioning

confidence: 99%

Convolutional neural networks for automatic meter reading

et al. 2019

View full text Add to dashboard Cite

show abstract

“…Детально зупинятись на всіх представлених в них результатах не доцільно, оскільки запропоновані в цих працях підходи є більш-менш подібними. Тому наведемо відомості лише з джерел [4][5][6][7][8][9]. У зазначених роботах задачу розпізнавання прийнято вирішувати у декілька етапів, які, зокрема, передбачають виявлення області показань лічильника, сегментації цієї області на окремі цифри та розпізнавання знайдених цифр.…”

Section: електронні системи та сигналиunclassified

“…В залежності від того, які методи та алгоритми використовуються на кожному етапі і розрізняються запропоновані в роботах системи розпізнавання. Так, у роботах [4][5][6][7] виявлення області показань основане на аналізі кольорової інформації (найменші значущі розряди мають червоний колір або оточені червоним прямокутником, шкала з боків має риски певного кольору). Такий підхід, не позбавлений недоліків, оскільки зазначені умови характерні для лічильників не всіх моделей.…”

Section: електронні системи та сигналиunclassified

“…Розпізнавання цифр шкали виконується різними способами: шляхом співставлення за шаблоном чи методом k-найближчих сусідів [6,8,9], за допомогою метрики Гаусдорфа [7], готової системи оптичного розпізнавання символів Tesseract OCR [5] та нейронних мереж [4,5]. В роботі [5] Для виявлення області показань був використаний підхід, що ґрунтується на виявленні ліній. Виходячи з геометричної форми області показань лічильника, яка майже завжди є прямокутною, один з підходів її пошуку може полягати у виявленні ліній, що задають границі даної області.…”

Section: електронні системи та сигналиunclassified

See 1 more Smart Citation

The System of Automatic Visual Recognition of Meter Indications

Svakha¹,

Varfolomieiev²

2018

Mìkrosist. elektron. akust.

View full text Add to dashboard Cite

Кафедра конструювання електронно-обчислювальної апаратури keoa.kpi.ua Факультет електроніки fel.kpi.ua Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» kpi.ua Київ, Україна Анотація-В роботі розглянуто систему автоматичного віддаленого зняття показань лічильника. Наведено загальну структуру цієї системи і детально описано розроблену її програмну складову, що відповідає за розпізнавання. Зазначений компонент запропоновано реалізувати на основі процедури, що передбачає два етапи, на першому з яких виконується виявлення шкали лічильника і окремих областей розрядів, а на другому-проводиться розпізнавання кожної із цифр у знайдених областях. Виявлення шкали лічильника запропоновано здійснювати шляхом застосування перетворення Хафа, а сегментування області показань на розряди-за допомогою морфологічних операцій. Для розпізнавання цифр лічильників різних типів створено навчальну вибірку і навчено згорткову нейронну мережу, що має подібну до LeNet архітектуру. Бібл. 16, рис. 6. Ключові слова-лічильник; розпізнавання; згорткова нейронна мережа; перетворення Хафа 28 Електронні системи та сигнали Copyright (c) 2018 Сваха Д. М. Варфоломєєв А. Ю. supposed to be applied first. The meter scale detection is based on the location of lines that forms a rectangular region with specific proportions. When the detection of the scale is performed, the located region is segmented into a separate digit subregions using the binary morphological operations and connected components analysis. The described process is applied relatively seldom (usually when the primary reading device is (re)installed), thus the operator of the system may manually correct the results of the detection and segmentation (these results will be valid for the further use). It reduces the quality requirements for the results, which obtained in the first stage. In the second stage, the recognition of each digit is performed. For these purposes, the use of convolutional neural network is suggested. This network is based on the architecture similar to the LeNet: it operates on small grayscale images and has seven layers (three convolutional, two max pooling, one ReLU and one fully connected layer). The training of network was performed on a specially composed training set. The training itself was conducted using the standard stochastic gradient descent (SGD) with momentum. The "softmax" was used as the loss function. In the result of the training, the correct digit recognition rate in 99,2% is achieved. Ref. 16, fig. 6.

show abstract

PGC-Net: A Light Weight Convolutional Sequence Network for Digital Pressure Gauge Calibration

Lian

et al. 2019

IEEE Access

View full text Add to dashboard Cite

Automatic digital pressure gauge calibration is challenging due to various unconstrained conditions. Although existing CNN-RNN based methods have been almost perfect on scene text recognition, they fail to perform well on digital pressure gauge calibration that requires to be extremely computationefficient and accurate. In this paper, we propose a light weight fully convolutional sequence recognition network for fast and accurate digital Pressure Gauge Calibration (PGC-Net). PGC-Net integrates feature extraction, sequence modelling and transcription into a unified framework. Experimental results show that PGC-Net runs 28 fps on CPU with 97.41% accuracy. Compared with previous methods, PGC-Net achieves better or comparable performance at lower inference time. Without bells and whistles, PGC-Net is capable of recognizing decimal points that usually appear in pressure gauge images, which evidently verifies the feasibility of PGC-Net. We collected a dataset that contains 17, 240 gauge images with annotated labels for automatic digital pressure gauge calibration. The dataset has been public for future research.

show abstract

A Mobile Recognition System for Analog Energy Meter Scanning

Cited by 17 publications

References 12 publications

Convolutional neural networks for automatic meter reading

Convolutional neural networks for automatic meter reading

The System of Automatic Visual Recognition of Meter Indications

PGC-Net: A Light Weight Convolutional Sequence Network for Digital Pressure Gauge Calibration

Contact Info

Product

Resources

About