CORPORACIÓN MANUAL DE

PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 1/3

PROYECTO INTERNO
Desarrollo de un prototipo de sistema de Reconocimiento Óptico de Caracteres para lectura automática de medidores de
presión, temperatura y volumen de gas

GENERALIDADES DEL PROYECTO

Desarrollo de un prototipo de sistema de Reconocimiento Óptico de Caracteres para
TÍTULO
lectura automática de medidores de presión, temperatura y volumen de gas

TIPO DE FINANCIACIÓN INTERNA

DURACIÓN 9 MESES

FECHA DE INICIO

PRESUPUESTO (sin costo de personal) 10 000 000 COP

RESPONSABLE Carlos Eduardo García Sánchez

LÍNEA DE INVESTIGACIÓN Y DESARROLLO Industria 4.0

ACTO ADMINISTRATIVO

DESCRIPCIÓN DEL PROYECTO

Existe una gran cantidad de medidores instalados en sistemas de medición de gas que no pueden ser leídos de forma remota y en
PROBLEMA tiempo real, ya sea porque son totalmente analógicos o porque no se dispone de capacidades de comunicación que permitan extraer
EXISTENTE las mediciones y enviarlas a distancia. Reemplazar los medidores por medidores ‘inteligentes’ (con capacidad para ser leídos de
manera remota y en tiempo real) conllevaría altos costos y desperdicio de dispositivos que se encuentran en estado operativo.

Se propone el desarrollo de un prototipo de sistema que permita digitalizar la información de medidores, sin importar si son analógicos
o contienen elementos electrónicos, tomando imágenes de las indicaciones que muestran los medidores y aplicándoles
reconocimiento óptico de caracteres (OCR) a las imágenes. Una vez se ha realizado este proceso, se puede comunicar la información
de la indicación del medidor, junto con información de identificación del medidor, en mensajes de pequeño tamaño.
SOLUCIÓN
DEL
PROBLEMA
En algunas de las aplicaciones reales que podría tener el sistema, se requerirá que el sistema sea apto para uso en áreas
clasificadas. El presente proyecto no incluye dentro de su alcance dotar al prototipo con capacidad para ser utilizado en áreas
clasificadas; se requerirá un proyecto posterior para realizar los ajustes pertinentes. Tampoco se desarrollará un software dedicado
para la presentación y visualización de los datos recolectados, sino que se utilizará alguna solución en la nube comercialmente
disponible.

OBJETIVO
GENERAL Desarrollar un sistema de Reconocimiento Óptico de Caracteres para lectura automática de medidores de presión, temperatura y
volumen de gas.

● Integrar hardware que permita la captura de imágenes de las indicaciones de medidores, la ejecución de OCR en sitio y el envío a
la nube de los resultados obtenidos.

● Configurar un servicio o aplicación en la nube disponible comercialmente para visualizar los resultados del OCR aplicado a los
medidores.

OBJETIVOS
● Generar una base de datos de imágenes de medidores de presión, temperatura y volumen de gas, que sea apropiada para
ESPECÍFICO
S entrenar y probar un modelo de machine learning para el OCR.

● Comparar y seleccionar una implementación de modelo de machine learning que permita un muy alto nivel de exactitud en el OCR
para medidores de presión, temperatura y volumen de gas.

● Implementar pruebas en tiempo real con diferentes medidores para demostrar el desempeño en condiciones reales del sistema
OCR para lectura automática de medidores.

MARCO El reconocimiento óptico de caracteres (OCR) hace referencia al uso de software para identificar números, letras o similares a partir de
TEÓRICO Y imágenes. Por otra parte, se ha acuñado la expresión Automatic Meter Reading (AMR) para referirse al registro automático del
ESTADO consumo de gas, agua y electricidad para facturación y monitoreo. Cuando el AMR se realiza utilizando OCR (también es posible
DEL ARTE
implementar AMR tomando señales del interior de los medidores), normalmente se implementa una cadena de procesos (pipeline o
tubería) con las siguientes etapas:

1. Localización de la región de interés (ROI).

2. Segmentación (aislamiento del número).

3. Separación de los dígitos.

 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 2/3

4. Detección de los dígitos significativos, si aplica.

5. Clasificación de dígitos.

Algunos trabajos han buscado fusionar varios de los pasos de la anterior cadena de procesos, utilizando aprendizaje profundo para
detectar los caracteres sin individualizarlos con el proceso tradicional de segmentación y separación.

Es posible realizar algunas actividades de procesamiento digital de imágenes de manera previa a la cadena de procesos de OCR para
mejorar los procesos de localización de ROI y segmentación. Entre las técnicas de procesamiento digital que pueden usarse se
encuentran la transformación, la compresión, la mejora, la recuperación y la binarización.

La etapa de segmentación de imágenes consiste en dividir la imagen en segmentos, que en OCR se utiliza para aislar las regiones
donde se encuentran los caracteres que se desea digitalizar. Hay múltiples técnicas de segmentación:

- Segmentación basada en región (por umbral, de crecimiento regional).

- Segmentación por detección de bordes (operadores sobel, laplaciano, prewitt, roberts, canny, gaussiano).

- Segmentación basada en agrupamiento (clustering).

- Segmentación basada en aprendizaje débilmente supervisado en red neuronal convolucional.

Los diferentes artículos revisados contienen muchas más referencias sobre el tema. Pero se decidió que la muestra de artículos
tomada era suficiente para orientar la propuesta, y además fueron priorizados los artículos más recientes. La siguiente tabla resume el
alcance, las condiciones y los resultados de 28 referencias recientes sobre el tema:

Técnicas
Comunicació
Ref Objetivo Hardware Software matemáticas o Comentarios
n
algoritmos

[1] Lectura Raspberry Pi con Comunicación MATLAB, (No se especifica) Parece que no hubo mucho trabajo en la
automática de cámara GSM, a la Octave, etapa de OCR.
medidores de Raspberry Pi (8 nube. Python.
electricidad. Mp).

[2] Comparación de (El estudio se (El estudio se PyTorch, Mask region

métodos de enfoca en la enfoca en la OpenCV 3.1. convolutional neural
digitalización de etapa de etapa de networks (Mask-
mediciones de reconocimiento reconocimient RCNN).
energía eléctrica. de imágenes) o de
imágenes)

[3] Medición de Teléfono Comunicación Aplicación Red neuronal Usaron solo 410 imágenes para
energía eléctrica Android. GSM o Wifi Android, profunda YOLOv3. entrenamiento y pruebas, anotando
(para facturación). (gestionada servidor web. manualmente para cada imagen la
por el localización del contador, la localización
teléfono). de cada dígito, y las etiquetas de los
dígitos.
El porcentaje de dígitos incorrectamente
identificados o no identificados fue alto
(24.6 %).

[4] Digitalización de Teléfono celular. Comunicación Anyline Tesseract OCR, red Usaron 1661 videos de medidores de
contadores de GSM o Wifi (Android o neuronal gas, electricidad y agua. Los videos
diferentes tipos de (gestionada iOS). convolucional. duran 5 s, y tienen resoluciones de 720p
medidores. por el o 1080p. Tomaron uno de cada 5 frames
teléfono). de los videos. Obtuvieron una exactitud
promedio de 81.4 % en la detección de
los dígitos. En cuanto a la clasificación
de cada dígito, en promedio la exactitud
fue de 85.8 % con Tesseract OCR y de
97.3 % con CNN.

[5] Comparación del (El estudio se (El estudio se Anyline, Line, Anyline, Line, El conjunto de entrenamiento fue de
desempeño para enfoca en la enfoca en la Google Vision, GoogLeNet, Azure 1500 imágenes (de un medidor), y el de
la digitalización de etapa de etapa de Azure Computer Vision, pruebas de 384 (de 4 medidores). Para
dígitos sencillos reconocimiento reconocimient Computer Naver Clova, las imágenes 'al derecho', la exactitud de
tomados de de imágenes) o de Vision, Naver AutoML, Tesseract, los programas estuvo entre 34 % y 97 %,
contadores de imágenes) Clova; para los KNN, SVM, CNN. siendo Anyline y Naver Clova los de
agua, con otros mejor desempeño. Para las imágenes
imágenes en 3 algoritmos, no rotadas 90 °, la exactitud varió entre 0 %
perspectivas se aclara el y 87.5 %, con Naver Clova y GoogLeNet
(derecho, rotada software con como los mejores. Y para las imágenes
90°, rotada 180°) y que se rotadas 180 °, la exactitud varió entre 18
cortadas implementaron % y 85 %, liderando Naver Clova y
manualmente. . GoogLeNet.

[6] Generación de (El estudio buscó (El estudio Tensorflow en CycleGAN para Generaron 4000 imágenes artificiales de
datos de generar buscó generar Python, generar imágenes medidores a partir de un conjunto de
entrenamiento elementos para elementos PyTorch, de entrenamiento datos de tamaño medio (6000
artificiales usando el conjunto de para el OpenCV. artificiales. imágenes).
un tipo de datos) conjunto de La exactitud de reconocimiento de
Generative datos) caracteres fue de entre 93 % y 96 %,
Adversarial para los diferentes niveles de dificultad
Networks (GAN), de imágenes probados.
que es una
 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 3/3

aplicación de
redes neuronales.

[7] Digitalización de Sensor (cámara) Envío a Un Remoción de ruido,

medidores de OV7620, computador experimento binarización,
agua Elster Kent microcontrolador usando usando segmentación,
V100 PSM. ATmega1284P, USART MATLAB, uno reconocimiento de
LCD, un LED (universal usando caracteres,
como fuente de synchronous/a microcontrolad presentación en
luz. Protocolo synchronous or. Los LCD.
I2C. receiver/trans resultados
mitter) fueron
conectado a inferiores con
un módulo el micro,
FT232. posiblemente
por bugs.

[8] Procesamiento de Teléfono celular. (No se aclara) No se Imágenes cortadas

imagen para menciona el manualmente. Se
digitalización de software convierten a escala
medidores de utilizado. de grises, se aplica
agua (para filtrado
facturación). homomórfico,se
binariza, se
segmenta, y se
reconoce el dígito.

[9] Detectar los Teléfono celular. (No se aclara) Función OCR 169 imágenes de Las imágenes de los medidores pueden
dígitos en de MATLAB. diferentes tipos de variar significativamente en fuente,
contadores de contadores de tamaño de fuente, fondo, contraste y
energía eléctrica electricidad con orientación, entre otras cosas.
(para facturación). pantallas LCD. La exactitud en el conjunto de pruebas
MSER para fue de 93 %.
detección de
características.

[10] Detección de Teléfono celular. MMS. Función OCR Conversión a escala No se declara adecuadamente el
dígitos en de MATLAB. de grises, detección conjunto de datos usado para la
contadores de de regiones con experimentación. No se describe una
energía eléctrica MSER, binarización, automatización en el recibo de las
(para facturación). segmentación, imágenes y la aplicación de OCR.
reconocimiento con
OCR.

[11] Detección de Teléfono celular. MMS. MATLAB. Método de etiqueta

dígitos en basado en OCR y
contadores de MSER (MLORC):
energía eléctrica, conversión a escala
incluyendo el de grises, detección
código del medidor de regiones con
(para facturación). MSER, binarización,
segmentación,
reconocimiento con
OCR.

[12] Medición remota y Microcontrolador LoRa, envío a Los usuarios (No se aplica OCR) El trabajo se enfocó en el diseño del
en tiempo real de Atmega328p que la nube por pueden software de administración.
contadores de toma los valores Wifi. acceder a la
electricidad. medidos, módulo información y
LoRa, pantalla hacer pagos
LCD, Raspberry por una
Pi para el aplicación.
gateway (no es
OCR).

[13] Detección de valor (El estudio se (El estudio se Tensorflow. Faster R-CNN Base de datos de 312 imágenes de
medido y serial en enfoca en la enfoca en la modificado, para medidores de gas y 463 de electricidad,
medidor de etapa de etapa de que la aumentada con imágenes sintéticas
electricidad o gas. reconocimiento reconocimient segmentación no hasta llegar a 9277 imágenes. Exactitud
de imágenes) o de sea con rectángulos en detección de las áreas con dígitos: 95
imágenes) sino con % (la detección de los números seriales
cuadriláteros es más complicada). Exactitud en
irregulares. clasificación de dígitos: 99.96 %.

[14] Detección de (El estudio se (El estudio se Darknet Red neuronal Eficiencia en detección de medidores
dígitos en enfoca en la enfoca en la framework, convolucional ilegibles o defectuosos: 98.9 %.
contadores de etapa de etapa de Keras, (CNN). Eficiencia en aceptación de medidores
energía eléctrica reconocimiento reconocimient Pytorch. Implementan la legibles: 99.8 %. Eficiencia en detección
(para facturación). de imágenes) o de cadena de de medición: 97 %. En el trabajo, se
imágenes) procesos completa, comparó el desempeño con el de 10
adicionando una otros algoritmos con las mismas bases
etapa de detección de datos.
de esquinas y La base de datos generada para este
clasificación de estudio, llamada Copel-AMR, es gratis
contadores usando para fines investigativos. Tiene 12500
Fast-YOLOv4, en la imágenes de medidores, de las cuales
cual algunos son 2500 con lectura 'ilegible'; para cada
marcados como imagen se anotan las posiciones de las
defectuosos o esquinas de los contadores y de cada
ilegibles. La dígito, además del valor medido.
detección de
esquinas se usa
para rectificar el
contador.

[15] Detección de Se menciona Wifi o 4G (no (No se Red neuronal No se dan detalles sobre tamaño de
 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 4/3

dígitos en que se hizo un se dan más menciona) convolucional conjunto de datos, ni exactitud del
contadores de prototipo con detalles) (CNN) 'liviana'. método.
agua (para cámara, pero no
facturación). se dan más
detalles.

[16] Detección de (El estudio se (El estudio se Python, Se comparó contra La base de datos está compuesta por
dígitos en enfoca en la enfoca en la YOLOv3 para OpenCV para 10510 imágenes sintéticas.
contadores de etapa de etapa de identificación segmentación con Declaran que el algoritmo propuesto
agua. reconocimiento reconocimient de regiones de SVM como alcanza una exactitud superior al 96 %.
de imágenes) o de interés, clasificador.
imágenes) labelImg para
anotación de
datos.

[17] Desarrollo de Raspberry Pi 3 Wifi. Google Tesseract, No se reportan indicadores de exactitud

sistema de registro model B con Sheets. Raspberry Open del sistema desarrollado.
automático del cámara CV, Python.
valor de un Raspberry Pi (5
contador de Mp).
energía eléctrica.

[18] Detección de Teléfono Comunicación Aplicación No se ha

dígitos en Android. con internet Android, implementado OCR;
contadores de gestionada por aplicación la identificación de
agua (para el teléfono. web. caracteres es
facturación). realizada por
humanos.

[19] Lectura en tiempo (El estudio se (El estudio se MATLAB. Extracción de Se obtienen diferentes niveles de
real de enfoca en la enfoca en la características exactitud, dependiendo del ruido y la
instrumentos de etapa de etapa de (extracción de área, rotación adicionadas. Los valores de
medición con reconocimiento reconocimient centroide, relación exactitud oscilan, en general, entre 89 %
pantallas digitales de imágenes) o de de aspecto); fitro y 95 %.
que usen SSD imágenes) Wiener adaptativo
(seven segment para mitigación de
displays), usando ruido; histograma de
webcams. gradientes
orientados (HOG) y
transformada de
Hough para resolver
problemas de
rotación de las
imágenes; red
neuronal MLP (multi
layer perceptron).
Usaron una base de
datos de 497
imágenes.

[20] Detección de (El estudio se (El estudio se (No se aclara Umbralización local Usaron 155 imágenes de prueba.
dígitos en enfoca en la enfoca en la el software para corregir Exactitudes del proceso de detección de
contadores de etapa de etapa de utilizado para problemas de ubicación 94 %, del proceso de
energía eléctrica reconocimiento reconocimient la iluminación; segmentación 89 %, y del proceso de
(para facturación). de imágenes) o de implementació corrección de reconocimiento de números 78 %.
imágenes) n) rotación de
imágenes;
segmentación;
reconocimiento con
SVM.

[21] Detección de (El estudio se (El estudio se (No se indica Detección de Base de datos UFPR-ADMR, de 2000
dígitos en enfoca en la enfoca en la el software regiones de interés, imágenes de tamaño 640x480 o
contadores de etapa de etapa de usado) usando esquinas de 480x640 px, que fue aumentada
energía eléctrica reconocimiento reconocimient cuadrilátero (para (artificialmente) hasta 9600 imágenes.
(para facturación). de imágenes) o de poder corregir por Varias de las combinaciones probadas
Este trabajo se imágenes) inclinación); lograron reconocimiento de los diales del
enfoca en comparación de 100 %. Sin embargo, en cuanto a
medidores que clasificación usando determinar los valores correctos, los
usan diales. YOLO v2, YOLO v3 mejores resultados los arrojó un tipo de
y Faster R-CNN. Faster R-CNN, que obtuvo 93.6 % de
exactitud en los diales, y un 75 % en el
medidor completo.

[22] Detección de Plataforma ARM VPN usando Python, Transformada de Se probó el sistema en un banco de
dígitos en (Raspberry Pi 2 Wifi o red OpenCV, Scikit Hough para corregir pruebas, tomando valores cada minuto.
medidores de model B) con celular, o Learn. inclinación; Las pruebas se hicieron con un medidor
agua. ArchLinux; SMS. algoritmo de Canny particular.
webcam. para detección de
bordes; SVM.

[23] Desarrollo de Raspberry Pi, Batman-adv Python, Métodos incluidos Se usaron 20 imágenes para probar el
sistema para con cámara para crear la OpenCV, en OpenCV y sistema; se alcanzó un 85 % de
digitalización de Raspberry Pi, red; conexión Tesseract. Tesseract. exactitud. Otras pruebas se enfocaron
valores de Raspbian OS. Wifi desde el AWS RDS en las comunicaciones y el desempeño
mediciones. gateway. MySQL como de la red.
base de datos.

[24] Comparación de Medidores con (Mencionado (No se evalúa (El trabajo no tiene
diferentes transmisión de en hardware) el software) que ver con OCR)
tecnologías para pulsos por radio
lectura automática frecuencia;
de medidores de medidores con
gas. conexión celular
LoRa y gateway
con conexión
 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 5/3

celular.

[25] Comparación (El estudio se (El estudio se Tensorflow; Diversas opciones Los mejores resultados se obtuvieron
entre varios enfoca en la enfoca en la Anyline; AWS de las alternativas con Tensorflow, con exactitud del 92 %.
software OCR. etapa de etapa de Rekognition. comparadas; la
reconocimiento reconocimient base de datos
de imágenes) o de contaba con 395
imágenes) imágenes.

[26] Desarrollar una Teléfono (Gestionada Tesseract (No se detalla) Base de datos de 295 medidores. Se
aplicación móvil Android. por el OCR. dice que se logró 100 % de exactitud,
para efectuar OCR teléfono) pero parece que las 295 imágenes
para contadores fueron usadas tanto para entrenamiento
de electricidad. como para prueba.

[27] Detección de la (El estudio se (El estudio se Python, Etiquetado de la Base de datos de 777 imágenes, con
región donde enfoca en la enfoca en la LabelImg. región de interés resolución 600 x 500 px. La detección de
están los dígitos etapa de etapa de usando LabelImg; la región de interés tuvo una exactitud de
en contadores de reconocimiento reconocimient identificación de la entre 98.5 % y 99 % (dependiendo de
energía eléctrica de imágenes) o de región usando parámetros del modelo).
(para facturación). imágenes) modelo de
aprendizaje
profundo SSD
(Single Shot
Multibox Detector).

[28] Detección de (El estudio se (El estudio se (No se aclara FCSRN (Fully Usaron base de datos con 6000
dígitos en enfoca en la enfoca en la el lenguaje o Convolutional imágenes solo de la indicación del
medidores de etapa de etapa de software Sequence medidor, de un único tipo de medidor. La
agua. reconocimiento reconocimient usado) Recognition base de datos es llamada SCUT-WMN.
de imágenes) o de Network), con Reportan una tasa de exactitud del 97.8
imágenes) función de pérdida %. Otros métodos contra los que
aumentada. compararon (ResNet18, CharNet, CRNN
y ConvS2S) presentaron exactitudes
entre 95.9 % y 97.3 %.
Ciencia y tecnología: Posibilidad para la industria de obtener mediciones remotas y en tiempo real de medidores análogos y otros
que no pertenecen a la categoría de “medidores inteligentes”. Incremento de capacidades en machine learning, al generar
competencias sobre su aplicación para OCR.

IMPACTOS
DE
PROPUESTA Social: Mejora en la confiabilidad de las mediciones en las que se implemente el sistema.

Otros: Nuevo producto tecnológico para el portafolio del CDT de Gas.

NUEVO CONOCIMIENTO Y NUEVOS DESARROLLOS TECNOLÓGICOS

Tipo de producto Resultado/ producto esperado Indicador Beneficios

Un prototipo de sistema de reconocimiento Nuevo producto tecnológico del CDT en

óptico de caracteres para lectura automática desarrollo (o finalizado, para aplicaciones que
Prototipo industrial 1
de medidores de presión, temperatura y no requieran adecuación para áreas
volumen de gas. clasificadas).

APROPIACIÓN SOCIAL DE CONOCIMIENTO Y FORMACIÓN DE RECURSO HUMANO PARA CTEI

Tipo de producto Resultado/ producto esperado Indicador Beneficios

Divulgación del producto tecnológico

Comunicación social del conocimiento Publicación en revista Met&Flu. 1
desarrollado.

Divulgación del trabajo investigativo en la

Circulación de conocimiento especializado Participación en evento académico. 1
comunidad académica.

CRONOGRAMA
202 202 202 202 202 202 202 202 202
N
ETAPA ACTIVIDADES 1- 1- 1- 1- 2- 2- 2- 2- 2-
. 09 10 11 12 01 02 03 04 05

1 Generación de la base de datos Recolección y toma de imágenes de medidores de presión, y

X
de imágenes de medidores que anotación de las etiquetas correspondientes.
se utilizará para entrenar y
probar el aprendizaje automático Recolección y toma de imágenes de medidores de temperatura,
X X
y adición de las correspondientes etiquetas.

Recolección y toma de imágenes de medidores de volumen de X X

gas y etiquetado de las imágenes.
 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 6/3

Consolidación de la base de datos y preparación para su

X
acceso desde el sistema de aprendizaje automático.

Selección del hardware que se va a implementar. Se plantea

integrar al menos un prototipo de sistema basado en
X
microcontrolador, y un prototipo de sistema basado en SBC
Integración del hardware del (“computador en una sola placa”).
2 prototipo de sistema de AMR
usando OCR Compra de los componentes necesarios para el o los sistemas. X

Integración de los componentes y puesta a punto de las

X X X X
comunicaciones.

Identificación de diferentes alternativas de servicios o

Configuración del servicio en la aplicaciones en la nube para visualización de los datos enviados X
3 nube para visualización de los por el sistema, y selección de uno de ellos.
datos
Configuración del servicio o aplicación seleccionado. X X

Selección y apropiación de conocimiento respecto al uso de

X X
diferentes paquetes y herramientas para OCR.
Implementación de modelo de
4 machine learning
Comparación de los paquetes y herramientas para OCR,
X X
utilizando las bases de datos generadas.

Implementación en el hardware de los algoritmos entrenados y

X
herramientas de software para OCR.
Ejecución de pruebas de
Ejecución de las pruebas de desempeño, en medidores de
5 desempeño del sistema de AMR X X
presión, temperatura y volumen de gas.
usando OCR
Escritura de informe final, y socialización de los resultados del
X
proyecto.

PRESUPUESTO POR AÑO

AÑO 2021
RUBRO DESCRIPCIÓN JUSTIFICACIÓN COSTO [COP]

Cristian David Mojica Ejecución de las etapas número 1 y 4 del cronograma. Co-ejecución de
Personal
Cabeza la etapa 5 del cronograma. Dedicación tiempo completo.

Nestor León (u otro Ejecución de las etapas 2 y 3 del cronograma, y co-ejecución de la etapa
Personal
ingeniero electrónico ) 5. Dedicación 50 %.

Asesoría y dirección de las facetas de hardware y comunicaciones del

Personal Oscar Yazit Salah García sistema. Coordinación de los aspectos de presentación de datos en la
nube. Dedicación 10 %.

Carlos Eduardo García Dirección de las etapas 1, 2 y 5 del proyecto. Seguimiento del proyecto.
Personal
Sánchez Dedicación 10 %.

Componentes del sistema o los sistemas prototipo que se van a integrar.

Dependiendo de la alternativa (microcontrolador o SBC), el balance de
costos entre costo de capital y costo de servicios en la nube es diferente.
Diferentes componentes
Usando microcontrolador, los dispositivos son más económicos, pero los
requeridos para los
costos de comunicación y de servicios en la nube son mayores (porque
Equipos, prototipos: placa
se deben enviar las imágenes a la nube, para realizar allá la
materiales e (microcontrolador o SBC), 8 000 000
identificación de caracteres). Por otro lado, al usar SBC el proceso de
insumos cámara, memoria SD,
identificación de caracteres puede efectuarse en el dispositivo, de modo
cables, módulos de
que aunque el dispositivo es más caro, los costos de comunicación y de
comunicación, entre otros.
servicios en la nube son menores. Para dispositivos basados en SBC, se
estima un costo de materiales de 250 000 COP por dispositivo, y un
costo de 600 000 COP por gateway.

Para visualización y, para el caso de uso de microcontrolador, ejecución 200 000

Software Servicios en la nube.
de algoritmos de reconocimiento óptico de caracteres.

TOTAL 8 200 000

AÑO 2022
RUBRO DESCRIPCIÓN JUSTIFICACIÓN COSTO [COP]

Cristian David Mojica Ejecución de las etapas número 1 y 4 del cronograma. Co-ejecución de
Personal
Cabeza la etapa 5 del cronograma. Dedicación tiempo completo.
 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 7/3

Nestor León (u otro Ejecución de las etapas 2 y 3 del cronograma, y co-ejecución de la

Personal
ingeniero electrónico ) etapa 5. Dedicación 50 %.

Asesoría y dirección de las facetas de hardware y comunicaciones del

Personal Oscar Yazit Salah García sistema. Coordinación de los aspectos de presentación de datos en la
nube. Dedicación 10 %.

Carlos Eduardo García Dirección de las etapas 1, 2 y 5 del proyecto. Seguimiento del proyecto.
Personal
Sánchez Dedicación 10 %.

Para visualización y, para el caso de uso de microcontrolador, ejecución

Software Servicios en la nube. 300 000
de algoritmos de reconocimiento óptico de caracteres.

Divulgación de resultados
Eventos Divulgación del trabajo investigativo en la comunidad académica. 1 500 000
en un evento académico.

TOTAL 1 800 000

BIBLIOGRAFÍA
[1] Anjal S, Patil AB. 2019. Image region analysis based automated meter reading using MATLAB. 2019 5th International Conference on
Computing Communication Control and Automation (ICCUBEA).

[2] Azeem A, Riaz W, Siddique A, Saifullah UAK. 2020. A robust automatic meter reading system based on Mask-RCNN. 2020 IEEE
International Conference on Advances in Electrical Engineering and Computer Applications (AEECA).

[3] Bishwokarma R, Paudyal B, Shakya HD, Chapagain P, Bajgain S. 2020. Deep neural network-based automatic system for electricity
meter reading in Nepal. International Conference on Role of Energy for Sustainable Social Development in 'New Normal' Era.

[4] Cerman M, Shalunts G, Albertini D. 2016. A mobile recognition system for analog energy meter scanning, en Bebis G et al. (Eds.):
ISCV 2016, Part 1, LNCS 10072, 247-256.

[5] Eurviriyanukul K, Phiewluang K, Yawichai S, Chaichana S. 2020. Evaluation of recognition of water-meter digits with application
programs, APIs, and machine learning algorithms. 2020 8th International Electrical Engineering Congress (iEECON).

[6] Filinger A. 2020. Improving automatic meter reading using data generated from unpaired image-to-image translation. Master Thesis,
Faculty of Computer Science, Hochschule Landshut.

[7] Gao, Y. 2019. Digitisation of conventional water meters using automated number recognition. Master Thesis, School of Engineering,
Computer and Mathematical Sciences, Auckland University of Technology.

[8] Jawas N, Indrianto. 2017. Image based automatic water meter reader. The 2nd International Joint Conference on Science and
Technology (IJCST) 2017.

[9] Kanagarathinam K, Sekar K. 2019. Text detection and recognition in raw image dataset of seven segment digital energy meter
display. Energy Reports 5: 842-852.

[10] Karthick K, Chitra S. 2017. Novel method for energy consumption billing using optical character recognition. Energy Engineering
114(3): 64-76.

[11] Karthick K, Ravindrakumar KB, Manikandan R, Cristin R. 2019. Consumer service number recognition using template matching
algorithm for improvements in OCR based energy consumption billing. ICIC Express Letters Part B: Applications 10(10): 895-901.

[12] Keere SO. 2017. Automatic power meter reading based on Arduino micro-controller unit: case of the Kenya power and lightning
company. Master Thesis in Information Technology, Faculty of Information Technology, Strathmore University.
 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 8/3

[13] Koščević K, Subašić M. 2018. Automatic visual reading onf meters using deep learning. Proceedings of the Croatian Computer
Vision Workshop, year 6.

[14] Laroca R, Araujo AB, Zanlorenzi LA, De Almeida EC, Menotti D. 2021. Towards image-based automatic meter reading in
unconstrained scenarios: a robust and efficient approach. IEEE Access 9: 67569-67584.

[15] Li C, Su Y, Yuan R, Chu D, Zhu J. 2019. Light-weight spliced convolution network-based automatic water meter reading in smart
city. IEEE Access 7: 174359-174367.

[16] Liao S, Zhou P. Wang L, Su S. 2019. Reading digital numbers of water meter with deep learning based object detector, en Lin Z et
al. (eds): Pattern Recognition and Computer Vision. PRCV 2019.

[17] Mohammed MS, Alneena DA. 2020. Design and implementation of a prototype automatic reading system for the consumers'
electrical energy meters. Al-Rafidain Engineering Journal 25(1): 56-60.

[18] Nyirenda E, Chembe C. 2019. Water utility mobile application for meter reading: Android based. Zambia Information Communication
Technology Journal 3(2): 19-30.

[19] Promsuk N, Taparugssanagorn A. 2021. Numerical reader system for digital measurement instruments embedded industrial internet
of things. Journal of Communications 16(4): 132-142.

[20] Pujiharsono H, Nugrono HA, Wahyunggoro O. 2017. A robust automated system for detecting and recognising the digit of electrical
energy consumption number of the postpaid kWh-meter. Communications in Science and Technology 2(2): 64-69.

[21] Salomon G, Laroca R, Menotti D. 2020. Deep learning for image-based automatic dial meter reading: dataset and baselines. 2020
International Joint Conference on Neural Networks (IJCNN).

[22] Santiago GV, Alvares AJ. 2020. Deployment framework for the internet of water meters using computer vision on ARM platform.
Journal of Ambient Intelligence and Smart Environments: 1-26.

[23] Shan LP. 2021. Digitalization of utilities meter and mesh networking applications. Trabajo de grado Information Technology,
Communications and Networking, Universiti Tunku Abdul Rahman.

[24] Singh DP. 2019. Smart metering solutions for city gas distribution company. En Pillai R et al. (eds) ISGW 2018 Compendium of
Technical Papers.

[25] Spichkova M, van Zyl J. 2020. Application of computer vision technologies for automated utility meters reading. Proceedings of the
15th International Conference on Software Technologies (ICSOFT 2020).

[26] Tapia Sueldo B, Ibarra Cabrera MJ. 2019. Mobile application for the calculation of electricity consumption in digital meter devices.
Revista en Ciencia y Tecnología C&T Riqchary 1(1): 6-10.

[27] Tsai C-M, Shou TD, Hsieh J-W, Chen S-C. 2019. Use SSD to detect the digital region in electricity meter. 2019 International
Conference on Machine Learning and Cybernetics (ICMLC).

[28] Yang F, Jin L, Lai S, Gao X, Li Z. 2019. Fully convolutional sequence recognition network for water meter number reading. IEEE
Access 7: 11679-11687.
 CORPORACIÓN MANUAL DE
PROCEDIMIENTOS
CENTRO DE DESARROLLO TECNOLÓGICO DEL GAS GENERALES
PGF-061

REVISION : 01 HOJA 9/3

APROBACION:
PROPUESTO POR: APROBADO POR: