Método basado en Redes Neuronales Convolucionales para la lectura automática del consumo de agua en imágenes de medidores

Abstract

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.