• Repositorio Institucional Universidad de Pamplona
  • Trabajos de pregrado y especialización
  • Facultad de Ingenierías y Arquitectura
  • Ingeniería Mecatrónica
    • Please use this identifier to cite or link to this item: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4445
    Full metadata record
    DC FieldValueLanguage
    dc.contributor.authorBeleño Díaz, Sergio Luis.-
    dc.date.accessioned2022-11-15T18:13:19Z-
    dc.date.available2020-09-18-
    dc.date.available2022-11-15T18:13:19Z-
    dc.date.issued2020-
    dc.identifier.citationBeleño Diaz, S. L. (2020). Procesamiento de imágenes usando inteligencia artificial para el desarrollo de aplicaciones industriales [Trabajo de Grado Pregrado, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4445es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/4445-
    dc.descriptionA lo largo de los años se han implementado diferentes dispositivos para la inspección de redes eléctricas de alta tensión con el fin de reducir costos en las empresas dedicadas al sec tor de la industria energética. Actualmente el dispositivo mas usado para este proceso de inspección son los drones (Sampedro Pérez y cols., 2014). Al realizar vuelos sobre las redes eléctricas almacenan vídeos durante un largo período de tiempo dependiendo de la duración de la batería de cada dron. Estos videos de larga duración representan un problema, ya que los expertos necesitan separar las secciones de video mas importantes durante el proceso de inspección. Esta separación de videos le puede tomar horas de edición al operario de las redes eléctricas de alta tensión. Esta investigación se centra en el desarrollo e implementación de algoritmos de procesa miento de imágenes basados en inteligencia artificial para facilitar el proceso de inspección de redes eléctricas, con el fin de automatizar procesos relacionados con la industria de la energía eléctrica. En el proceso de desarrollo de los algoritmos de inteligencia artificial se realizaron vuelos con drones sobre infraestructuras eléctricas de alta tensión. De los videos captados se extrajeron 22000 imágenes para el entrenamiento de los sistemas de inteligencia artificial. Se entre naron diferentes arquitecturas para el aprendizaje automático de los sistemas de inteligencia artificial y se implemento la mejor arquitectura de aprendizaje automático para su aplicación. Con los algoritmos desarrollados se realizó un proceso de segmentación de videos por tipos de infraestructura eléctrica, mostrando a los operarios una información mas detallada en el proceso de inspección de torres eléctricas. El algoritmo de segmentación de videos logro el mismo desempeño que un operador humano en cuanto a la detección de los tipos de infra estructura eléctrica. Además de poder extraer imágenes con una visualización cercana de los aisladores encontrados en infraestructuras eléctricas, ya que los aisladores eléctricos son los elementos mas importantes en el proceso de inspección de torres eléctricas (Pernebayeva y cols., 2017). Esta investigación fue llevada a cabo usando la modalidad de pasantía de investigación realizada en el Centro Tecnológico de Automatización Industrial (CTAI) de la Pontificia Universidad Javeriana.es_CO
    dc.description.abstractOver the years, different devices have been implemented for the inspection of high voltage electrical networks in order to reduce costs in companies dedicated to the energy industry sector. Currently, the most used device for this inspection process is drones (Sampedro Pérez y cols., 2014). By flying over power lines, they store videos for a long period of time depen ding on the battery life of each drone. These long videos pose a problem as experts need to separate the most important video sections during the inspection process. This separation of videos allows the operator of the high voltage electrical networks to take hours of editing. This research focuses on the development and implementation of image processing algo rithms based on artificial intelligence to facilitate the inspection process of electrical networks, in order to automate processes related to the electrical energy industry. In the process of developing artificial intelligence algorithms, drone flights were carried out over high-voltage electrical infrastructure. 22,000 images were extracted from the captured videos for the training of artificial intelligence systems. Different architectures were trained for machine learning from artificial intelligence systems and the best machine learning archi tecture for their application was implemented. With the algorithms developed, a process of segmentation of videos by type of electrical infrastructure was carried out, showing operators more detailed information about the ins pection process of electrical towers. The video segmentation algorithm achieved the same performance as a human operator by detecting the types of electrical infrastructure. In addi tion to being able to extract images with a close-up view of the insulators found in electrical infrastructures, since electrical insulators are the most important elements in the process of inspecting electrical towers (Pernebayeva y cols., 2017). This research was carried out using the research internship modality at the Technological Center for Industrial Automation of the Pontifical Xavierian Universityes_CO
    dc.format.extent93es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona- Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectEl autor no proporciona la información sobre este ítem.es_CO
    dc.titleProcesamiento de imágenes usando inteligencia artificial para el desarrollo de aplicaciones industriales.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_7a1fes_CO
    dc.date.accepted2020-06-18-
    dc.relation.referencesAbiodun, O., Jantan, A., Omolara, O., Dada, K., Mohamed, N., y Arshad, H. (2018, 11). State-of-the-art in artificial neural network applications: A survey. Heliyon, 4, e00938. doi: 10.1016/j.heliyon.2018.e00938es_CO
    dc.relation.referencesAlbawi, S., Abed Mohammed, T., y ALZAWI, S. (2017, 08). Understanding of a convolutional neural network.. doi: 10.1109/ICEngTechnol.2017.8308186es_CO
    dc.relation.referencesAlex, K., Ilya, S., y Hg, E. (2012, 01). Imagenet classification with deep convolutional neural networks. Proceedings of NIPS, IEEE, Neural Information Processing System Foundation, 1097-1105.es_CO
    dc.relation.referencesAl-Imam, A., Motyka, M., y Jędrzejko, M. (2020, 05). Conflicting opinions in connection with digital superintelligence. International Journal of Artificial Intelligence, 9, 336-348. doi: 10.11591/ijai.v9.i2.pp336-348es_CO
    dc.relation.referencesAlom, M. Z., Taha, T., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M., … Asari, V. (2019, 03). A state-of-the-art survey on deep learning theory and architectures. Electronics, 8, 292. doi: 10.3390/electronics8030292es_CO
    dc.relation.referencesB, J., Periasamy, P., y Chenniappan, V. (2018). Electric power transmission and distribution - a teacher’s guide.es_CO
    dc.relation.referencesBairouk, A. (2019, 11). Improving convolutional neural network accuracy using gabor filter and progressive resizing..es_CO
    dc.relation.referencesBerk, R., y Elzarka, A. (2019, 10). Almost politically acceptable criminal justice risk assess ment. arXiv.es_CO
    dc.relation.referencesBertoni, F., Citti, G., y Sarti, A. (2019, 11). Lgn-cnn: a biologically inspired cnn architecture. arXiv.es_CO
    dc.relation.referencesBianco, S., Cadène, R., Celona, L., y Napoletano, P. (2018, 10). Benchmark analysis of representative deep neural network architectures. IEEE Access, 6, 64270-64277. doi: 10 .1109/ACCESS.2018.2877890es_CO
    dc.relation.referencesCong, I., Choi, S., y Lukin, M. (2019, 12). Quantum convolutional neural networks. Nature Physics, 15, 1-6. doi: 10.1038/s41567-019-0648-8es_CO
    dc.relation.referencesDumoulin, V., y Visin, F. (2016, 03). A guide to convolution arithmetic for deep learning. arXiv.es_CO
    dc.relation.referencesEarp, G., Eyre-Walker, R., Ellam, A., y Thomas, A. (2011). Advanced aerial inspection and asset management of electricity towers. En 2011 ieee pes 12th international conference on transmission and distribution construction, operation and live-line maintenance (esmo) (p. 1-7).es_CO
    dc.relation.referencesEibar, C., Gavilane, J., Pérez, M., Aldás, ff., Proaño, P., y Basantes, D. (2018, 01). Design and simulation of a mobile robot, for the inspection of electrical lines. KnE Engineering, 1, 141. doi: 10.18502/keg.v1i2.1491es_CO
    dc.relation.referencesFeng, P., Lin, Y., Guan, J., Dong, Y., He, G., Xia, Z., y Shi, H. (2019, 07). Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data. En (p. 6344-6347). doi: 10.1109/IGARSS.2019.8898703es_CO
    dc.relation.referencesGhorbanzadeh, P., Taleshmekaeil, D., Shaddeli, A., y Kianpour, N. (2015, 01). Using one hot residuees_CO
    dc.relation.referencesHan, D. (2013, 03). Comparison of commonly used image interpolation methods. Proceedings of the 2nd International Conference on Computer Science and Electronics Engineering. doi: 10.2991/iccsee.2013.391es_CO
    dc.relation.referencesHan, J., Yang, Z., Zhang, Q., Chen, C., Li, H., Lai, S., … Chen, R. (2019, 05). A method of insulator faults detection in aerial images for high-voltage transmission lines inspection. Applied Sciences, 9, 2009. doi: 10.3390/app9102009es_CO
    dc.relation.referencesHe, K., Zhang, X., Ren, S., y Sun, J. (2015, 12). Deep residual learning for image recognition. arXiv, 7es_CO
    dc.relation.referencesHe, K., Zhang, X., Ren, S., y Sun, J. (2016, June). Deep residual learning for image recog nition. En The ieee conference on computer vision and pattern recognition (cvpr)es_CO
    dc.relation.referencesHendry, y Chen, R.-C. (2019, 05). Automatic license plate recognition via sliding-window darknet-yolo deep learning. Image and Vision Computing, 87. doi: 10.1016/j.imavis.2019 .04.007es_CO
    dc.relation.referencesKonstantinidis, D., Argyriou, V., Stathaki, T., y Nikos, G. (2019, 11). A modular cnn based building detector for remote sensing images. Computer Networks, 168, 107034. doi: 10.1016/j.comnet.2019.107034es_CO
    dc.relation.referencesLedig, C., Theis, L., Huszar, F., Caballero, J., Cunningham, A., Acosta, A., … Shi, W. (2017, 07). Photo-realistic single image super-resolution using a generative adversarial network. En (p. 105-114). doi: 10.1109/CVPR.2017.19es_CO
    dc.relation.referencesLi, S., Zhou, H., Wang, G., Zhu, X., Kong, L., y Hu, Z. (2018, 08). Cracked insulator detection based on r-fcn. Journal of Physics: Conference Series, 1069, 012147. doi: 10.1088/ 1742-6596/1069/1/012147es_CO
    dc.relation.referencesLowe, B., y Kulkarni, A. (2015, 02). Multispectral image analysis using random forest. International Journal on Soft Computing, 6, 1-14. doi: 10.5121/ijsc.2015.6101es_CO
    dc.relation.referencesMartin T. Hagan, M. H. B. O. D. J., Howard B. Demuth. (2014). Biological inspiration. En Neural network design (cap. 1.1.8).es_CO
    dc.relation.referencesMorales Castro, E. . J. Z. R., Arturo Ramírez Reyes. (2020, Enero/Junio). Comportamiento del mercado de divisas: una aplicación de redes neuronales artificiales. YACHANA, 9.es_CO
    dc.relation.referencesMuschelli, J. (2019, 12). Roc and auc with a binary predictor: a potentially misleading metric. Journal of Classification. doi: 10.1007/s00357-019-09345-1es_CO
    dc.relation.referencesPernebayeva, D., Bagheri, M., y James, A. (2017). High voltage insulator surface evaluation using image processing. En 2017 international symposium on electrical insulating materials (iseim) (Vol. 2, p. 520-523)es_CO
    dc.relation.referencesPowers, D., y Ailab. (2011, 01). Evaluation: From precision, recall and f-measure to roc, informedness, markedness correlation. J. Mach. Learn. Technol, 2, 2229-3981. doi: 10 .9735/2229-3981es_CO
    dc.relation.referencesRedmon, J., Divvala, S., Girshick, R., y Farhadi, A. (2016, 06). You only look once: Unified, real-time object detection. En (p. 779-788). doi: 10.1109/CVPR.2016.91es_CO
    dc.relation.referencesRedmon, J., y Farhadi, A. (2017, 07). Yolo9000: Better, faster, stronger. En (p. 6517-6525). doi: 10.1109/CVPR.2017.690es_CO
    dc.relation.referencesRedmon, J., y Farhadi, A. (2018, 04). Yolov3: An incremental improvement. arXiv.es_CO
    dc.relation.referencesSaeedan, F., Weber, N., Goesele, M., y Roth, S. (2018, 06). Detail-preserving pooling in deep networks. En (p. 9108-9116). doi: 10.1109/CVPR.2018.00949es_CO
    dc.relation.referencesSainath, T., Mohamed, A.-r., Kingsbury, B., y Ramabhadran, B. (2013, 05). Deep convolu tional neural networks for lvcsr. En (p. 8614-8618). doi: 10.1109/ICASSP.2013.663es_CO
    dc.relation.referencesSampedro Pérez, C., Martinez, C., Chauhan, A., y Campoy, P. (2014, 07). A supervised approach to electric tower detection and classification for power line inspection.. doi: 10.1109/IJCNN.2014.6889836es_CO
    dc.relation.referencesShengyu, L., Wang, B., Wang, H., Chen, L., Linjian, M., Zhang, y Xiaoyan. (2019, 07). A real-time object detection algorithm for video. Computers and Electrical Engineering, 77, 398-408. doi: 10.1016/j.compeleceng.2019.05.009es_CO
    dc.relation.referencesSimonyan, K., y Zisserman, A. (2014, 09). Very deep convolutional networks for large-scale image recognition. arXiv 1409.1556.es_CO
    dc.relation.referencesSohn, K., Jung, D., Lee, H., y Hero, A. (2011, 11). Efficient learning of sparse, distributed, convolutional feature representations for object recognition. En (p. 2643-2650). doi: 10 .1109/ICCV.2011.6126554es_CO
    dc.relation.referencesSugata, T., y Yang, C. (2017, 11). Leaf app: Leaf recognition with deep convolutional neural networks. IOP Conference Series: Materials Science and Engineering, 273, 012004. doi: 10.1088/1757-899X/245/1/012004es_CO
    dc.relation.referencesSzegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., … Rabinovich, A. (2014, 09). Going deeper with convolutions.es_CO
    dc.relation.referencesSzegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., y Wojna, Z. (2016, 06). Rethinking the inception architecture for computer vision.. doi: 10.1109/CVPR.2016.308es_CO
    dc.relation.referencesTao, X., Zhang, D., Wang, Z., Liu, X., Zhang, H., y Xu, D. (2018). Detection of power line insulator defects using aerial images analyzed with convolutional neural networks. IEEE Transactions on Systems, Man, and Cybernetics: Systems.es_CO
    dc.relation.referencesZeiler, M., y Fergus, R. (2013, 01). Visualizing and understanding convolutional networks. European Conference on Computer Vision(ECCV), 8689, 818-833.es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Appears in Collections:Ingeniería Mecatrónica

    Files in This Item:
    File Description SizeFormat 
    Beleño_2020_TG.pdfBeleño_2020_TG2,88 MBAdobe PDFView/Open
    Show simple item record


    Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.