Identificación automática de caracteres numéricos en imágenes digitales de consumo de energía eléctrica

• Autor: Guevara Cabrera, Kevin Alehexis
• Formato: tesis de grado
• Fecha de Publicación: 2017
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/4064
• Enlace del recurso: https://hdl.handle.net/20.500.12802/4064
• Nivel de acceso: acceso abierto
• Materia: Procesamiento de imágenes; Reconocimiento ópticos de caracteres; Segmentación; https://purl.org/pe-repo/ocde/ford#2.02.04

Los medidores de consumo de agua, luz y gas son instrumentos para medir la cantidad de consumo del cliente en el servicio suministrado por las empresas de servicios ya sean públicas o privadas. Actualmente algunas empresas siguen gestionando la información del servicio prestado en hojas manualmente o haciendo uso de aplicaciones donde se digitan los datos, realizar esta tarea de esta manera genera errores y gatos de tiempo para recolectar y verificar los datos ingresado.Para realizar este cambio seria la realización de un reconocimiento óptico de caracteres (OCR) que se puede ser implantados en unos celulares inteligentes y así agilizar el proceso de capturas y validación de los datos. Hoy los celulares inteligentes han avanzado con gran progreso que cada temporada saca nuevos equipos con nuevas estructuras y la calidad de las imágenes con buenas resoluciones. Se utilizó 1300 imágenes de consumo de medidores de energía eléctrica como bases de datos y alrededor de 3000 imágenes de caracteres extraídos por las imágenes originales, también se planteó un protocolo de tomas fotográficas desde una aplicación móvil y la utilización de librería libres como OpenCV. Para el entrenamiento se realizo es hacer el entrenamiento de las 3000 imágenes de los caracteres extraídos y convertirlos en un archivo para luego en la clasificación reutilizarlo. Y posteriormente ejecutar con un medidor y el reconocimiento de los caracteres con la utilización del clasificador KNN con el más óptimo para la clasificación ya que sus resultados en la probabilidad es el 40 al 60% y basado al reconocimiento basado a la precisión en el 80% y con una red neuronal ha tenido una precisión del 72.7%.