INSPECCIÓN DE AISLADORES EN LÍNEAS DE TRANSMISIÓN ELÉCTRICA USANDO INTELIGENCIA ARTIFICIAL

Autores/as

  • Sergio Luis Beleño Díaz Universidad De Pamplona
  • Carol Viviana Martínez Luna Pontificia Universidad Javeriana
  • Iván Fernando Mondragón Bernal Pontificia Universidad Javeriana
  • Carlos Alberto Parra Rodríguez Pontificia Universidad Javeriana

DOI:

https://doi.org/10.24054/16927257.v36.n36.2020.25

Palabras clave:

Aisladores eléctricos, Redes neuronales artificiales, YOLO, Detección de objetos, Vehículos aéreos no tripulados.

Resumen

Uno de los procesos más importantes en la inspección de líneas de transmisión eléctrica es la detección de fallas en aisladores eléctricos. El defecto más común encontrado en los aisladores eléctricos es el quiebre de discos dentro de la cadena de aisladores. El uso de métodos tradicionales de segmentación por binarización indican una pobre capacidad para detectar un aislador si hay muchos cambios en el medio en el que se encuentra. Un algoritmo de inteligencia artificial conocido como You Only Look Once (YOLO) se usa para detectar y localizar los aisladores eléctricos a partir de imágenes de torres eléctricas de alta tensión. Posteriormente a la localización de los aisladores eléctricos, se realiza un escalado al doble del tamaño de la imagen original del aislador eléctrico usando un interpolador cúbico. De tal forma que le permita al supervisor de las líneas eléctricas de alta tensión realizar una correcta visualización de los aisladores a inspeccionar. La arquitectura de redes neuronales convolucionales MobileNet empleando el algoritmo YOLO, presentó resultados superiores en precisión y velocidad de ejecución con respecto a las arquitecturas Full YOLO e InceptionV3.

Citas

B.D.Hammel. (2019). What learning rate should I use? B.D.Hammel. http://www.bdhammel.com/learning-rates/

Berk, R., Heidari, H., Jabbari, S., Kearns, M., & Roth, A. (2017). Fairness in Criminal Justice Risk Assessments: The State of the Art. Sociological Methods and Research, 1–43. https://doi.org/10.1177/0049124118782533

Chan, L., McGarey, P., & Sclafani, J. A. (2018). Chapter 20 - Using Large Data Sets for Population-Based Health Research (J. I. Gallin, F. P. Ognibene, & L. L. B. T.-P. and P. of C. R. (Fourth E. Johnson (eds.); pp. 293–302). Academic Press. https://doi.org/https://doi.org/10.1016/B978-0-12-849905-4.00020-4

Dong, C., Loy, C. C., He, K., & Tang, X. (2016). Image Super-Resolution Using Deep Convolutional Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(2), 295–307.

Han, D. (2013). Comparison of Commonly Used Image Interpolation Methods. Iccsee. https://doi.org/10.2991/iccsee.2013.391

Han, J., Yang, Z., Zhang, Q., Chen, C., Li, H., Lai, S., Hu, G., Xu, C., Xu, H., Wang, D., & Chen, R. (2019). A method of insulator faults detection in aerial images for high-voltage transmission lines inspection. Applied Sciences (Switzerland), 9(10), 1–22. https://doi.org/10.3390/app9102009

Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. http://arxiv.org/abs/1704.04861

Huang, R., Pedoeem, J., & Chen, C. (2019). YOLO-LITE: A Real-Time Object Detection Algorithm Optimized for Non-GPU Computers. Proceedings - 2018 IEEE International Conference on Big Data, Big Data 2018, 2503–2510.

Ignatov, A., Timofte, R., Chou, W., Wang, K., Wu, M., Hartley, T., & Van Gool, L. (2019). AI Benchmark: Running deep neural networks on android smartphones. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11133 LNCS, 288–314. https://doi.org/10.1007/978-3-030-11021-5_19

Kumar, R., & Indrayan, A. (2011). Receiver operating characteristic (ROC) curve for medical researchers. Indian Pediatrics, 48(4), 277–287.

Li, S., Zhou, H., Wang, G., Zhu, X., Kong, L., & Hu, Z. (2017). Cracked Insulator Detection Based on R-FCN. Journal of Physics: Conference Series, 1069(1). https://doi.org/10.1088/1742-6596/1069/1/012147

Mark, E., Luc, V.-G., I, W. C. K., John., W., & Andrew, Z. (2010). The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 88(2), 303–338.

Muschelli, J. (2019). ROC and AUC with a Binary Predictor: a Potentially Misleading Metric. Journal of Classification, 2020, 1–20. https://doi.org/10.1007/s00357-019-09345-1

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 779–788. https://doi.org/10.1109/CVPR.2016.91

Pardo García A, Castellanos González L. (2017). Automatización de Ambientes en Invernaderos Simulando Escenarios Futuros, Revista Colombiana de Tecnologías de Avanzada, ISSN: 1692-7257. Volumen1–Número 29-2017.

Rezatofighi, H., Tsoi, N., Gwak, J., Sadeghian, A., Reid, I., & Savarese, S. (2019). Generalized intersection over union: A metric and a loss for bounding box regression. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2019-June, 658–666. https://doi.org/10.1109/CVPR.2019.00075

Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., & Bernstein, M. (2014). Imagenet large scale visual recognition challenge. Int. J. Comput. Vis., 1–42.

Sabatelli, M., Kestemont, M., Daelemans, W., & Geurts, P. (2019). Deep transfer learning for art classification problems. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11130 LNCS(September), 631–646. https://doi.org/10.1007/978-3-030-11012-3_48

Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, 1–14.

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 07-12-June. https://doi.org/10.1109/CVPR.2015.7298594

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the Inception Architecture for Computer Vision. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 2818–2826. https://doi.org/10.1109/CVPR.2016.308

Tao, X., Zhang, D., Wang, Z., Liu, X., Zhang, H., & Xu, D. (2020). Detection of power line insulator defects using aerial images analyzed with convolutional neural networks. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 50(4), 1486–1498. https://doi.org/10.1109/TSMC.2018.2871750

Tzutalin. (2015). LabelImg. Git Code LabelImg. ttps://github.com/tzutalin/labelImg

Wei, J. (2019). Forget the learning rate, decay loss. International Journal of Machine Learning and Computing, 9(3), 267–272. https://doi.org/10.18178/ijmlc.2019.9.3.797

Židek, K., & Hošovský, A. (2014). Image thresholding and contour detection with dynamic background selection for inspection tasks in machine vision. International Journal of Circuits, Systems and Signal Processing, 8, 545–554.

Descargas

Publicado

2020-10-02

Cómo citar

Beleño Díaz, S. L. ., Martínez Luna, C. V. ., Mondragón Bernal, I. F. ., & Parra Rodríguez, C. A. (2020). INSPECCIÓN DE AISLADORES EN LÍNEAS DE TRANSMISIÓN ELÉCTRICA USANDO INTELIGENCIA ARTIFICIAL. REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA), 2(36), 89–96. https://doi.org/10.24054/16927257.v36.n36.2020.25

Número

Sección

Artículos