Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Giải pháp Chatbot cho việc tự đọc mức tiêu thụ năng lượng qua các ứng dụng trò chuyện
Tóm tắt
Để giảm thiểu tổn thất tài chính và tuân thủ các biện pháp vệ sinh được khuyến nghị do đại dịch COVID-19, tự đọc là một phương pháp trong đó người tiêu dùng tự đọc và báo cáo mức tiêu thụ năng lượng của mình, đã được đưa ra như một phương án hiệu quả thay thế cho các công ty điện lực. Trong bối cảnh đó, công trình này trình bày một giải pháp cho việc tự đọc qua chatbot trong các ứng dụng trò chuyện. Giải pháp này đang trong quá trình phát triển như một phần của dự án nghiên cứu và phát triển (R&D). Nó tích hợp với một phương pháp dựa trên xử lý hình ảnh tự động đọc mức tiêu thụ năng lượng và nhận diện mã số của một đồng hồ để xác minh. Hơn nữa, tất cả các quy trình sử dụng dịch vụ nhận thức từ nền tảng IBM Watson để nhận diện ý định trong cuộc hội thoại với người tiêu dùng. Tập dữ liệu được sử dụng để xác thực phương pháp tự đọc đề xuất chứa các ví dụ về đồng hồ đo analog và đồng hồ đo kỹ thuật số được nhóm Equatorial Energy sử dụng. Kết quả sơ bộ cho thấy độ chính xác là 77,20% và 84,30% tương ứng cho việc nhận diện chuỗi đọc hoàn chỉnh và mã số nhận diện ở đồng hồ đo kỹ thuật số, và độ chính xác là 89% và 95,20% trong bối cảnh của đồng hồ đo analog. Xét về cả hai loại đồng hồ, phương pháp đạt độ chính xác theo từng chữ số là 97%. Phương pháp đề xuất cũng đã được đánh giá bằng tập dữ liệu công cộng UFPR-AMR và đạt được kết quả so sánh được với công nghệ tiên tiến.
Từ khóa
#COVID-19 #tự đọc năng lượng #chatbot #xử lý hình ảnh #dịch vụ nhận thức #độ chính xác #đồng hồ đo năng lượngTài liệu tham khảo
Azeem, A., Riaz, W., Siddique, A., & Saifullah, U. A. K. (2020). A robust automatic meter reading system based on mask-rcnn. (pp. 209–213)
Calefati, A., Gallo, I., & Nawaz, S. (2019). Reading meter numbers in the wild. (pp. 1–6)
Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. (pp. 785–794)
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273–297.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. (pp. 770–778)
Igel, C., & Hüsken, M. (2000). Improving the rprop learning algorithm. In: Proceedings of the second international ICSC symposium on neural computation (NC 2000), Citeseer, vol 2000, pp 115–121.
Kingma, D., & Ba, J. (2014). Adam: A method for stochastic optimization.
Laroca, R., Barroso, V., Diniz, M. A., Gonçalves, G. R., Schwartz, W. R., & Menotti, D. (2019). Convolutional neural networks for automatic meter reading. Journal of Electronic Imaging, 28(1), 1–14. https://doi.org/10.1117/1.JEI.28.1.013023
Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. (pp. 2980–2988)
Mendes, P. R. C., Rocha, C. V. M., Paiva, A. M. P., de Souza Oliveira, J. E., da Silva, I. F. S., de Paiva, A. C., da Rocha, S. V., Silva, A. C., Monteiro, E. M. G., da Silva Italo, I. F. S., et al. (2020). Digit recognition of energy meters through voice in the context of an authentication application. Brazilian Applied Science Review, 4(3), 1976–1989.
Nielsen IBOPE (2015) 68 milhões usam a internet pelo smartphone no brasil. https://www.nielsen.com/br/pt/press-releases/2015/68-milhoes-usam-a-internet-pelo-smartphone-no-brasil/
Mobile, Panorama. (2019). Time Mapa do ecossistema brasileiro de robôs 2019 http://panoramamobiletime.com.br/download/16300/?uid=f312d14021.
Parthiban, K., & Palanisamy, A. (2013). Reading values in electrical meter using image processing techniques. (pp. 1–7)
Pew Research Center (2019) Smartphone ownership is growing rapidly around the world, but not always equally. https://www.pewresearch.org/global/2019/02/05/smartphone-ownership-is-growing-rapidly-around-the-world-but-not-always-equally/
Prechelt L (1998) Early stopping-but when? In: Neural Networks: Tricks of the trade, Springer, pp 55–69
Quintanilha, DBP., Costa, RWS., Diniz, JOB., de Almeida, JDS., Braz, G., Silva, AC., de Paiva, AC., Monteiro, EM., Froz, BR., Piheiro, LPA., & Melho, W. (2017). Automatic consumption reading on electromechanical meters using hog and svm. In: 7th Latin American Conference on Networked and Electronic Media (LACNEM 2017), pp 57–61, https://doi.org/10.1049/ic.2017.0036.
Redmon, J., Divvala, SK., Girshick, RB., & Farhadi, A. (2015). You only look once: Unified, real-time object detection. CoRR arXiv:1506.02640
Sandler, M., Howard, AG., Zhu, M., Zhmoginov, A., & Chen, L. (2018). Inverted residuals and linear bottlenecks: Mobile networks for classification, detection and segmentation. CoRR arXiv:1801.04381.
Serra, A., França, J., Marques, R., Figueredo, W., Reis, A., Santos, I., Rocha, S., Silva, A., Monteiro, E., Silva, I., Silva, M., & Santos, J. (2019). Reconhecimento de dígitos em imagens de medidores de energia no contexto de um aplicativo de autoleiturahttps://doi.org/10.17648/sbai-2019-111448.
Serra, A. C., França, J. V. F., da Silva Marques, R. C., Figueredo, W. K. R., Reis, A. B. S., da Silva, I. F. S., da Rocha, S. V., Silva, A. C., Monteiro, E. M. G., da Silva, I. F. S., et al. (2020a). Digit recognition in energy meter images in the context of a self-reading application. Brazilian Applied Science Review, 4(3), 1990–2001.
Serra, A. C., França, J. V. F., de Sousa, J. A., de Sousa Costa, R. W., da Silva, I. F. S., da Rocha, S. V., de Paiva, A. C., Silva, A. C., Monteiro, E. M. G., da Silva, I. F. S., et al. (2020b). Semantic segmentation of electricity meters and identification components. Brazilian Applied Science Review, 4(3), 2002–2013.
Shuo, H., Ximing, Y., Donghang, L., Shaoli, L., & Yu, P. (2019). Digital recognition of electric meter with deep learning. In: 2019 14th IEEE International Conference on Electronic Measurement & Instruments (ICEMI), IEEE, pp 600–607.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. (pp. 1–9)
Tan, M., & Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In: Chaudhuri K, Salakhutdinov R (eds) Proceedings of the 36th International Conference on Machine Learning, PMLR, Long Beach, California, USA, Proceedings of Machine Learning Research, vol 97, pp 6105–6114, http://proceedings.mlr.press/v97/tan19a.html
Zhang, Y., Yang, S., Su, X., Shi, E., & Zhang, H. (2016). Automatic reading of domestic electric meter: an intelligent device based on image processing and zigbee/ethernet communication. Journal of Real-Time Image Processing, 12(1), 133–143.