Peningkatan Akurasi Deteksi Angka pada Meteran Air Berbasis YOLOv10 Melalui Augmentasi Beragam dan Integrasi Notifikasi Otomatis ke Telegram

wawan iswanto; Rajes Khana; Muhammad Sobirin

doi:10.30595/jrre.v7i2.26853

Authors

wawan iswanto Universitas 17 Agustus 1945 Jakarta
Rajes Khana Universitas 17 Agustus 1945 Jakarta
Muhammad Sobirin Universitas 17 Agustus 1945 Jakarta

DOI:

https://doi.org/10.30595/jrre.v7i2.26853

Keywords:

YOLOv10, pembacaan meteran air, deteksi objek, visi komputer, augmentasi data

Abstract

Pembacaan angka pada meteran air secara manual masih banyak digunakan di berbagai wilayah dan berisiko tinggi terhadap kesalahan pencatatan, keterlambatan, serta ketergantungan terhadap tenaga manusia. Seiring berkembangnya teknologi visi komputer dan pembelajaran mendalam, metode pembacaan otomatis berbasis deteksi objek menjadi solusi yang efektif untuk menggantikan metode konvensional tersebut. Penelitian ini bertujuan untuk merancang dan menguji sistem pembacaan angka otomatis pada meteran air berbasis algoritma YOLOv10, yang merupakan versi terbaru dari keluarga YOLO. Dalam penelitian ini, digunakan dataset citra meteran air yang dilengkapi dengan teknik augmentasi data guna meningkatkan kemampuan generalisasi model. Hasil pengujian menunjukkan bahwa YOLOv10 memiliki potensi tinggi dalam mendeteksi angka dengan akurasi dan kecepatan yang baik, bahkan pada kondisi citra yang tidak ideal. Penelitian ini berkontribusi dalam memberikan solusi efisien dan andal terhadap pembacaan meteran air otomatis yang dapat diimplementasikan di lingkungan nyata. Hasil terbaik dari pengujian menunjukkan bahwa model YOLOv10 mampu mencapai mAP@0,5 sebesar 97,5%, precision 94,6%, dan recall 94,1% dengan kecepatan inferensi 0.7ms per gambar.

References

[1] Hattak, G. Iadarola, F. Martinelli, F. Mercaldo, dan A. Santone, “Benchmarking YOLO Models for Smart Water Meter Reading: A Comparative Study,” National Research Council, Pisa, Italy, 2024.

[2] G. Shen, Z. Jiao, H. Yan, Q. Wang, C. Xu, dan A. Wen, “Multi-Pass Object Detection for Flaw Inspection of Electric Metering Devices,” State Grid Zhejiang Electric Power Co., 2023.

[3] G. Salomon, R. Laroca, dan D. Menotti, “UFPR-AMR: A Public Dataset and Benchmark for Automatic Meter Reading,” Federal University of Paraná, Brazil, 2023.

[4] Y. Wang dan X. Xiang, “GMS-YOLO: Grouped Multi-Scale Convolution for Water-Meter Reading Recognition,” Zhejiang University of Science and Technology, China, 2024.

[5] X. Song, N. Wang, dan X. An, “YOLOv8-Based Water Meter Reading in Industrial Environments,” Shandong University of Science and Technology, China, 2023.

[6] Y. Wang, N. Li, Z. Ye, dan J. Zhang, “Edge Computing-Based Smart Water Meter Recognition Using YOLOv3,” Xinjiang Agricultural University, China, 2023.

[7] S. Zhuo, X. Zhang, Z. Chen, W. Wei, F. Wang, Q. Li, dan Y. Guan, “DAMP-YOLO: Lightweight Object Detection for Harsh Meter Reading Scenarios,” Beijing Institute of Petrochemical Technology, China, 2024.

[8] J.-Y. Liao, J.-W. Hsieh, dan C.-W. Ma, “BIF-MSP: IoT-Based Real-Time AMR for Smart Cities,” National Taiwan Ocean University & National Yang Ming Chiao Tung University, Taiwan, 2023.

[9] W. Zhang, P. Li, dan X. Bai, “Pointer Meter Reading Recognition using Tiny-YOLO and Swin Transformer,” North China Electric Power University, China, 2023.

[10] R. Laroca, A. B. Araujo, L. A. Zanlorensi, E. C. De Almeida, dan D. Menotti, “Corner Detection and Counter Classification in AMR for Unconstrained Scenarios,” Federal University of Paraná, Brazil, 2023.

[11] S. Liao, P. Zhou, L. Wang, dan S. Su, “YOLOv3-Based End-to-End Water Meter Detection on XMU-W-M Dataset,” Xiamen University, China, 2023.

[12] A. Azeem, W. Riaz, A. Siddique, dan U. A. K. Saifullah, “Mask-RCNN-Based Meter Reading for AMR,” Chongqing University of Posts and Telecommunications, China, 2023.

[13] R. Sablatnig dan C. Hansen, “Analog Instrument Reading and Calibration Using Pattern Recognition,” Technische Universität Wien, Austria, 2023.

[14] S. Fardan dan A. Al-Sartawi, “AI-Driven Smart Metering System for Water Utilities,” Ahlia University, Bahrain, 2023.

[15] J. R. B. Garay, S. T. Kofuji, dan T. Tiba, “AMR with OCR and ZigBee for Water Meter Data Collection,” University of São Paulo (USP), Brazil, 2023.

[16] V. P. Fernoaga, G.-A. Stelea, A. Balan, dan F. Sandu, “Secure OCR-based Tele-Measurement for Legacy Utility Meters,” Transilvania University of Brașov, Romania, 2023.

[17] H. Puttnies, V. Altmann, F. Golatowski, dan D. Timmermann, “Web-Based Universal AMR on Raspberry Pi for IoT Integration,” University of Rostock, Germany, 2023.

[18] S. Cai, S. Zhang, D. Huang, dan S. Yu, “Remote Gas Meter Reading via ZigBee and Digital Image Recognition,” Southeast University, China, 2023.

[19] G. V. Santiago dan A. J. Alvares, “Automated Analog Meter Reading using SVM on Embedded Linux,” University of Brasília, Brazil, 2023.

[20] R. Laroca, R. Salomon, dan D. Menotti, “UFPR-ADMR: A Dataset for Multidial Meter Reading with Deep Learning,” Federal University of Paraná, Brazil, 2023.