Método basado en Redes Neuronales Convolucionales para la lectura automática del consumo de agua en imágenes de medidores
Resumen
La presente investigación propone un método automatizado basado en Redes Neuronales
Convolucionales para la lectura automática del consumo de agua en medidores mediante el
análisis de imágenes RGB. Ante la creciente demanda de agua y las limitaciones inherentes
a la lectura manual de medidores, se ha desarrollado un sistema que permite optimizar la
gestión de recursos hídricos complementando el proceso de lectura tradicional. Se conformó
inicialmente un conjunto de datos compuesto por 100 imágenes de medidores de la marca
Zenner, capturadas en entornos reales con variaciones en iluminación y condiciones
ambientales. Posteriormente, mediante técnicas de aumento de datos, específicamente
rotaciones leves de ±5° aplicadas de forma reiterada, se amplió el dataset hasta un total de
809 imágenes, lo que permitió incrementar la variabilidad y robustez del modelo.
El entrenamiento se realizó utilizando dos arquitecturas de la familia YOLO, concretamente
YOLOv8 y YOLOv11, configuradas para identificar y clasificar los dígitos numéricos presentes
en los medidores en 10 clases (dígitos del 0 al 9). Los resultados del modelo evidenciaron
una precisión y un F1-score superiores al 99.68%, lo que demuestra la alta eficacia del
sistema en la detección de dígitos. Además, se integró el modelo en una aplicación web
desarrollada con Flask, facilitando así su despliegue en entornos operativos y permitiendo la
lectura automática en tiempo real. Los resultados obtenidos validan la hipótesis de que el uso
de CNN mejora significativamente la precisión y eficiencia de la lectura de medidores,
ofreciendo una solución escalable y robusta para la gestión moderna de recursos hídricos.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: