Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático
La detección de fallas en aisladores eléctricos es fundamental para asegurar el buen estado de las líneas de transmisión. Las técnicas de aprendizaje profundo han demostrado ser efectivas para manejar estas actividades. Sin embargo, es bien sabido que estas estrategias requieren gran cantidad de dat...
- Autores:
-
Quiroz Omaña, Camila Andrea
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad Francisco de Paula Santander
- Repositorio:
- Repositorio Digital UFPS
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.ufps.edu.co:ufps/9695
- Acceso en línea:
- https://repositorio.ufps.edu.co/handle/ufps/9695
- Palabra clave:
- Red Neuronal Convolucional
Detección de fallas en aisladores
Vehículo Aéreo no Tripulado
Datos sintéticos
Isaac Sim
- Rights
- openAccess
- License
- Derechos Reservados - Universidad Francisco de Paula Santander, 2024
| id |
RUFPS2_88678230d2fb28a4d32aa5441cedab95 |
|---|---|
| oai_identifier_str |
oai:repositorio.ufps.edu.co:ufps/9695 |
| network_acronym_str |
RUFPS2 |
| network_name_str |
Repositorio Digital UFPS |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático |
| title |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático |
| spellingShingle |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático Red Neuronal Convolucional Detección de fallas en aisladores Vehículo Aéreo no Tripulado Datos sintéticos Isaac Sim |
| title_short |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático |
| title_full |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático |
| title_fullStr |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático |
| title_full_unstemmed |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático |
| title_sort |
Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático |
| dc.creator.fl_str_mv |
Quiroz Omaña, Camila Andrea |
| dc.contributor.advisor.none.fl_str_mv |
Sepúlveda Mora, Sergio Basilio |
| dc.contributor.author.none.fl_str_mv |
Quiroz Omaña, Camila Andrea |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Francisco de Paula Santander |
| dc.contributor.jury.none.fl_str_mv |
Quintero Ayala, Sergio Iván Medina Delgado, Byron |
| dc.subject.proposal.spa.fl_str_mv |
Red Neuronal Convolucional Detección de fallas en aisladores Vehículo Aéreo no Tripulado Datos sintéticos Isaac Sim |
| topic |
Red Neuronal Convolucional Detección de fallas en aisladores Vehículo Aéreo no Tripulado Datos sintéticos Isaac Sim |
| description |
La detección de fallas en aisladores eléctricos es fundamental para asegurar el buen estado de las líneas de transmisión. Las técnicas de aprendizaje profundo han demostrado ser efectivas para manejar estas actividades. Sin embargo, es bien sabido que estas estrategias requieren gran cantidad de datos adecuados. Para abordar esta dificultad, este trabajo presenta una comparación del desempeño de cuatro conjuntos de datos con imágenes obtenidas mediante un vehículo aéreo no tripulado y datos sintéticos, creados a partir de un modelo de aislador cerámico. Los modelos utilizados para este trabajo son el modelo pre-entrenado AlexNet y una Red Neuronal Convolucional propuesta llamada CNet. Los resultados mostraron que los conjuntos de datos compuestos con imágenes sintéticas y datos reales aumentados al mismo tiempo tuvieron un desempeño ligeramente mejor con respecto a todos los demás. Además, se presenta un estudio de ablación para revisar el efecto de los parámetros de aleatorización en el proceso de aumento de datos. El método propuesto ofrece una solución para la empresa de electrificación que realiza tareas de inspección manualmente y una visión para el trabajo futuro en técnicas que están en el estado del arte para la creación de datos sintéticos fotorrealistas para entrenar redes neuronales profundas. |
| publishDate |
2024 |
| dc.date.issued.none.fl_str_mv |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2025-08-20T15:01:55Z |
| dc.date.available.none.fl_str_mv |
2025-08-20T15:01:55Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.ufps.edu.co/handle/ufps/9695 |
| dc.identifier.local.none.fl_str_mv |
TIE V00080/2024 |
| url |
https://repositorio.ufps.edu.co/handle/ufps/9695 |
| identifier_str_mv |
TIE V00080/2024 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Francisco de Paula Santander, 2024 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) |
| rights_invalid_str_mv |
Derechos Reservados - Universidad Francisco de Paula Santander, 2024 https://creativecommons.org/licenses/by-nc-sa/4.0/ Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
65 páginas. ilustraciones, (Trabajo completo) 35.311 KB |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Francisco de Paula Santander |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
San José de Cúcuta |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Electrónica |
| dc.source.spa.fl_str_mv |
https://catalogobiblioteca.ufps.edu.co/cgi-bin/koha/opac-retrieve-file.pl?id=eff3d6e9a8b60da2f36bcca4c8ab60be |
| institution |
Universidad Francisco de Paula Santander |
| bitstream.url.fl_str_mv |
https://repositorio.ufps.edu.co/bitstreams/b10c826b-49f8-471c-a012-80d3e8d0ea81/download https://repositorio.ufps.edu.co/bitstreams/b5439329-5323-45ee-b6fe-64003f3dc19c/download https://repositorio.ufps.edu.co/bitstreams/210b150a-783d-41a7-ace1-7111ad4b6550/download https://repositorio.ufps.edu.co/bitstreams/f2041d88-453b-4bcb-85c6-b55fa6aced8d/download |
| bitstream.checksum.fl_str_mv |
e472393a74a5b1456eeeca8cc4d5d7ec 2f9959eaf5b71fae44bbf9ec84150c7a d70e2bb419ced9fd9870fd61635cecd9 27b7b9ae095ec2060a1399b85d624942 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Francisco de Paula Santander |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1851059667852066816 |
| spelling |
Sepúlveda Mora, Sergio BasilioQuiroz Omaña, Camila AndreaUniversidad Francisco de Paula SantanderQuintero Ayala, Sergio IvánMedina Delgado, Byron2025-08-20T15:01:55Z2025-08-20T15:01:55Z2024https://repositorio.ufps.edu.co/handle/ufps/9695TIE V00080/2024La detección de fallas en aisladores eléctricos es fundamental para asegurar el buen estado de las líneas de transmisión. Las técnicas de aprendizaje profundo han demostrado ser efectivas para manejar estas actividades. Sin embargo, es bien sabido que estas estrategias requieren gran cantidad de datos adecuados. Para abordar esta dificultad, este trabajo presenta una comparación del desempeño de cuatro conjuntos de datos con imágenes obtenidas mediante un vehículo aéreo no tripulado y datos sintéticos, creados a partir de un modelo de aislador cerámico. Los modelos utilizados para este trabajo son el modelo pre-entrenado AlexNet y una Red Neuronal Convolucional propuesta llamada CNet. Los resultados mostraron que los conjuntos de datos compuestos con imágenes sintéticas y datos reales aumentados al mismo tiempo tuvieron un desempeño ligeramente mejor con respecto a todos los demás. Además, se presenta un estudio de ablación para revisar el efecto de los parámetros de aleatorización en el proceso de aumento de datos. El método propuesto ofrece una solución para la empresa de electrificación que realiza tareas de inspección manualmente y una visión para el trabajo futuro en técnicas que están en el estado del arte para la creación de datos sintéticos fotorrealistas para entrenar redes neuronales profundas.Resumen 1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1 Descripcióndelproblema 4 1.1 Planteamientodelproblema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.1 BeneficiosEconómicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.2 BeneficiosEmpresariales . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.3 BeneficiosSociales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2.4 BeneficiosTecnológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.1 ObjetivoGeneral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3.2 Objetivosespecíficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4 Alcances. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.5 LimitacionesyDelimitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.5.1 Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.5.2 Delimitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2 MarcoReferencial 8 2.1 Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2 MarcoTeórico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.2.1 RedesEléctricasyAisladores . . . . . . . . . . . . . . . . . . . . . . . . 10 2.2.2 MachineLearningyDeepLearning . . . . . . . . . . . . . . . . . . . . . 11 2.2.3 RedesNeuronalesConvolucionales . . . . . . . . . . . . . . . . . . . . . 122.2.3.1 Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2.3.2 CapasConvolucionales . . . . . . . . . . . . . . . . . . . . . . 13 2.2.3.3 CapasdePooling . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2.3.4 Capasdensas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.2.3.5 Época . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.3.6 Batch. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.3.7 Funcióndeactivación . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.3.8 Funcióndepérdida . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.3.9 Evaluacióndelmodelo . . . . . . . . . . . . . . . . . . . . . . 15 2.2.4 Aumentodedatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.5 OtrastécnicasdeMachineLearning . . . . . . . . . . . . . . . . . . . . . 19 2.2.5.1 MáquinasdeSoporteVectorial(SVM) . . . . . . . . . . . . . . 19 2.2.5.2 KNearestNeighbor(kNN) . . . . . . . . . . . . . . . . . . . . 20 2.2.6 Softwareyherramientas . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.6.1 Blender . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.6.2 IsaacSim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3 MarcoLegal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 Metodología 22 3.1 RecopilaciónyPreprocesamientodeDatos . . . . . . . . . . . . . . . . . . . . . 22 3.1.1 CapturadeImágenes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.1.2 AnálisisExploratoriodeDatos . . . . . . . . . . . . . . . . . . . . . . . . 22 3.1.3 EtiquetadodeImágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2 Creacióndedatasets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.1 ConjuntodeImágenesReales . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2 ConjuntodeDatossintéticos . . . . . . . . . . . . . . . . . . . . . . . . . 243.2.3 AumentodeDatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.2.4 Conjuntodedatoshíbridos . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.3 DesarrollodelModelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.3.1 CNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.3.2 AlexNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.4 Análisisdeablaciónenlastécnicasdeaumentodedatos . . . . . . . . . . . . . . 30 3.5 EvaluacióndelModelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.6 CapacitaciónyDocumentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.6.1 CapacitacióndelPersonal . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.6.2 DocumentaciónDetallada . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.7 Presupuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 4 Resultados 33 4.1 Entrenamientodelmodelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.2 Evaluacióndelmodelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4.3 EstudiodeAblación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 5 Conclusiones 38 6 Recomendaciones 39 7 Anexos 40 Referencias 49PregradoIngeniero(a) Electrónico(a)65 páginas. ilustraciones, (Trabajo completo) 35.311 KBapplication/pdfspaUniversidad Francisco de Paula SantanderFacultad de IngenieríaSan José de CúcutaIngeniería ElectrónicaDerechos Reservados - Universidad Francisco de Paula Santander, 2024https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)http://purl.org/coar/access_right/c_abf2https://catalogobiblioteca.ufps.edu.co/cgi-bin/koha/opac-retrieve-file.pl?id=eff3d6e9a8b60da2f36bcca4c8ab60beSistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automáticoTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Red Neuronal ConvolucionalDetección de fallas en aisladoresVehículo Aéreo no TripuladoDatos sintéticosIsaac SimAdou, M. W., Xu, H., & Chen, G. (2019, octubre). Insulator Faults Detection Based on Deep Learning. Proceedings of the International Conference on Anti-Counterfeiting, Security and Identification, ASID, 2019-October, 173–177. Descargado de https:// www.researchgate.net/publication/336552153_Insulator_Faults _Detection_Based_on_Deep_Learning (ISBN: 9781728124582 Publisher: IEEE Computer Society) doi: 10.1109/ICASID.2019.8925094Alfeilat, H. A. A., Hassanat, A. B. A., Lasassmeh, O., Tarawneh, A. S., Alhasanat, M. B., Salman, H. S. E., & Prasath, V. B. S. (2019, diciembre). Effects of Distance Measure Choice on K-Nearest Neighbor Classifier Performance: A Review. https://home.liebertpub.com/big, 7(4), 221–248. Descargado de https://www .liebertpub.com/doi/10.1089/big.2018.0175 (Publisher: Mary Ann Liebert, Inc., publishers 140 Huguenot Street, 3rd Floor New Rochelle, NY 10801 USA) doi: 10.1089/BIG.2018.0175Cheng, H., Chen, R., Wang, J., Liu, X., Zhang, M., & Zhai, Y. (2018, junio). Study on insulator recognition method based on simulated samples expansion. En 2018 Chinese Control And Decision Conference (CCDC) (pp. 2569–2573). Descargado 2024-07-01, de https:// ieeexplore.ieee.org/document/8407558 (ISSN: 1948-9447) doi: 10.1109/ CCDC.2018.8407558Cheng, H., Zhai, Y., & Chen, R. (2019). Faster R-CNN based recognition of insulators in aerial images. Modern Electronics Technique, 42(02), 98–102.Chicco, D., & Jurman, G. (2020, enero). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21(1), 6. Descargado 2024-07-02, de https://doi.org/10.1186/s12864-019-6413-7 doi: 10.1186/s12864-019-6413-7Chouhan, V., Singh, S. K., Khamparia, A., Gupta, D., Tiwari, P., Moreira, C., ... Albuquerque, V. H. C. d. (2020, enero). A Novel Transfer Learning Based Approach for Pneumonia Detection in Chest X-ray Images. Applied Sciences 2020, Vol. 10, Page 559, 10(2), 559. Descargado de https://www.mdpi.com/2076-3417/10/2/559/htmhttps:// www.mdpi.com/2076-3417/10/2/559 (Publisher: Multidisciplinary Digital Publishing Institute) doi: 10.3390/APP10020559Dileep, G. (2020, febrero). A survey on smart grid technologies and applications. Renewable Energy, 146, 2589–2625. (Publisher: Pergamon) doi: 10.1016/J.RENENE.2019.08.092Fang, T., Dong, C., Hu, X., & Wang, Y. (2013, diciembre). Contour Extraction and Fault Detection of Insulator Strings in Aerial Images. Journal of Shanghai Jiaotong University, 47(12), 1818. Descargado 2024-06-23, de https://xuebao.sjtu.edu.cn/EN/Gao, F., Wang, J., Kong, Z., Wu, J., Feng, N., Wang, S., ... Li, J. (2017, diciembre). Recognition of insulator explosion based on deep learning. En (pp. 79–82). doi: 10.1109/ICCWAMTIP .2017.8301453Han, J., Yang, Z., Zhang, Q., Chen, C., Li, H., Lai, S., ... Chen, R. (2019, mayo). A Method of Insulator Faults Detection in Aerial Images for High-Voltage Transmission Lines Inspection. Applied Sciences, 9(10), 2009. Descargado 2024-06-24, de https:// www.mdpi.com/2076-3417/9/10/2009 doi: 10.3390/app9102009Huang, R., Liao, Y., Zhang, S., & Li, W. (2019). Deep Decoupling Convolutional Neural Network for Intelligent Compound Fault Diagnosis. IEEE Access, 7, 1848–1858. (Publisher: Institute of Electrical and Electronics Engineers Inc.) doi: 10.1109/ACCESS.2018 .2886343Huang, S., Cai, N., Pacheco, P. P., Narrandes, S., Wang, Y., & Xu, W. (2018). Applications of Support Vector Machine (SVM) Learning in Cancer Genomics. Cancer Genomics &Proteomics, 15(1), 41–51. Descargado de https://cgp.iiarjournals.org/ content/15/1/41 (Publisher: International Institute of Anticancer Research)IBM. (2024). ¿qué es knn? Descargado de https://www.ibm.com/mx-es/topics/ knnJanssens, O., Walle, R. V. D., Loccufier, M., & Hoecke, S. V. (2018). Deep Learning for Infrared Thermal Image Based Machine Health Monitoring. IEEE/ASME Transactions on Mechatronics, 23(1), 151–159. (Publisher: Institute of Electrical and Electronics Engineers Inc.) doi: 10.1109/TMECH.2017.2722479Ke, Q., Zhang, J., Wei, W., Polap, D., Wozniak, M., Kosmider, L., & Damasevicius, R. (2019, julio). A neuro-heuristic approach for recognition of lung diseases from X-ray images. Expert Syst. Appl., 126, 218–232. (Publisher: Elsevier Ltd) doi: 10.1016/J.ESWA.2019.01 .060Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017, junio). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. (Publisher: Association for Computing Machinery) doi: 10.1145/3065386Lecun, Y., Bengio, Y., & Hinton, G. (2015, mayo). Deep learning. Nature 2015 521:7553, 521(7553), 436–444. Descargado de https://www.nature.com/articles/ nature14539 (Publisher: Nature Publishing Group) doi: 10.1038/nature14539Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., & Nandi, A. K. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Academic Press. (ISSN: 10961216 Publication Title: Mechanical Systems and Signal Processing Volume: 138) doi: 10.1016/j.ymssp.2019.106587Li, X., Su, H., & Liu, G. (2020). Insulator Defect Recognition Based on Global Detection and Local Segmentation. IEEE Access, 8, 59934–59946. Descargado 2024-06-30, de https://ieeexplore.ieee.org/document/9043526/ doi: 10.1109/ACCESS.2020.2982288Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2022, diciembre). A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999–7019. (Publisher: Institute of Electrical and Electronics Engineers Inc.) doi: 10.1109/TNNLS.2021.3084827Liao, G.-P., Yang, G.-J., Tong, W.-T., Gao, W., Lv, F.-L., & Gao, D. (2019, octubre). Study on Power Line Insulator Defect Detection via Improved Faster Region-Based Convolutional Neural Network. En 2019 IEEE 7th International Conference on Computer Science and Network Technology (ICCSNT) (pp. 262–266). Descargado 2024-07-12, de https:// ieeexplore.ieee.org/document/8962497 doi: 10.1109/ICCSNT47585.2019 .8962497Ling, Z., Zhang, D., Qiu, R. C., Jin, Z., Zhang, Y., He, X., & Liu, H. (2019, diciembre). An accurate and real-time method of self-blast glass insulator location based on faster R-CNN and U-net with aerial images. CSEE Journal of Power and Energy Systems, 5(4), 474482. Descargado 2024-07-14, de https://ieeexplore.ieee.org/document/ 8859590 (Conference Name: CSEE Journal of Power and Energy Systems) doi: 10 .17775/CSEEJPES.2019.00460Liu, C., Wu, Y., Liu, J., & Han, J. (2021, enero). MTI-YOLO: A Light-Weight and Real-Time Deep Neural Network for Insulator Detection in Complex Aerial Images. Energies, 14(5), 1426. Descargado 2024-06-30, de https://www.mdpi.com/1996-1073/14/5/ 1426 (Number: 5 Publisher: Multidisciplinary Digital Publishing Institute) doi: 10.3390/ en14051426Liu, J., Liu, C., Wu, Y., Xu, H., & Sun, Z. (2021, julio). An Improved Method Based on Deep Learning for Insulator Fault Detection in Diverse Aerial Images. Energies, 14(14), 4365. Descargado 2024-07-01, de https://www.mdpi.com/1996-1073/14/14/4365doi: 10.3390/en14144365Liu, X., Jiang, H., Chen, J., Chen, J., Zhuang, S., & Miao, X. (2018, agosto). Insulator Detection in Aerial Images Based on Faster Regions with Convolutional Neural Network. IEEE International Conference on Control and Automation, ICCA, 2018-June, 1082–1086. (ISBN: 9781538660898 Publisher: IEEE Computer Society) doi: 10.1109/ICCA.2018.8444172Liu, Y. (2023). Insulator defect detection with deep learning: A survey. IET Generation, Transmission & Distribution, 17, 3541–3558. doi: https://doi.org/10.1049/gtd2.12916Melo, C. M. d., Torralba, A., Guibas, L., DiCarlo, J., Chellappa, R., & Hodgins, J. (2022, febrero). Next-generation deep learning based on simulators and synthetic data. Trends in Cognitive Sciences, 26(2), 174–187. Descargado 2024-04-14, de https://www.cell .com/trends/cognitive-sciences/abstract/S1364-6613(21)00293-X (Publisher: Elsevier) doi: 10.1016/j.tics.2021.11.008Miao, X., Liu, X., Chen, J., Zhuang, S., Fan, J., & Jiang, H. (2019, enero). Insulator Detection in Aerial Images for Transmission Line Inspection Using Single Shot Multibox Detector. IEEE Access, PP, 1–1. doi: 10.1109/ACCESS.2019.2891123Naqa, I. E., & Murphy, M. J. (2015). What Is Machine Learning? Machine Learning in Radiation Oncology, 3–11. Descargado de https://link.springer.com/chapter/10 .1007/978-3-319-18305-3_1 (ISBN: 978-3-319-18305-3 Publisher: Springer, Cham) doi: 10.1007/978-3-319-18305-3_1NVIDIA, C. (2024). What is isaac sim? Descargado 2024-08-16, de https://docs .omniverse.nvidia.com/isaacsim/latest/index.htmlOberweger, M., Wendel, A., & Bischof, H. (2014). Visual Recognition and Fault Detection for Power Line Insulators. Computer Vision Winter Workshop. (Publisher: .)O’Shea, K., & Nash, R. (2015, diciembre). An Introduction to Convolutional Neural Networks. arXiv. Descargado 2024-04-29, de http://arxiv.org/abs/1511.08458 (arXiv:1511.08458 [cs])Park, J. K., Kwon, B. K., Park, J. H., & Kang, D. J. (2016, julio). Machine learning-based imaging system for surface defect inspection. International Journal of Precision Engineering and Manufacturing- Green Technology, 3(3), 303–310. (Publisher: Korean Society for Precision Engineering) doi: 10.1007/s40684-016-0039-xRedmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016, junio). You Only Look Once: Unified, Real-Time Object Detection. En 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 779–788). Descargado 2024-07-01, de https://ieeexplore.ieee.org/document/7780460 (ISSN: 1063-6919) doi: 10.1109/CVPR.2016.91Ronneberger, O., Fischer, P., & Brox, T. (2015, mayo). U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv. Descargado 2024-06-25, de http://arxiv .org/abs/1505.04597 (arXiv:1505.04597 [cs]) doi: 10.48550/arXiv.1505.04597Sampedro, C., Rodriguez-Vazquez, J., Rodriguez-Ramos, A., Carrio, A., & Campoy, P. (2019). Deep Learning-Based System for Automatic Recognition and Diagnosis of Electrical Insulator Strings. IEEE Access, 7, 101283–101308. (Publisher: Institute of Electrical and Electronics Engineers Inc.) doi: 10.1109/ACCESS.2019.2931144Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of big data, 6(1), 1–48.Tao, W. U., Weibin, W., Li, Y. U., Beimin, X. I. E., Weiwei, Y. I. N., & Hongyu, W. (2019, agosto). Insulator Defect Detection Method for Lightweight YOLOV3. Computer Engineering, 45(8), 275. Descargado 2024-06-30, de http://www.ecice06.com/EN/10 .19678/j.issn.1000-3428.0053695 doi: 10.19678/j.issn.1000-3428.0053695Tao, X., Zhang, D., Wang, Z., Liu, X., Zhang, H., & Xu, D. (2020, abril). 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. (Publisher: Institute of Electrical and Electronics Engineers Inc.) doi: 10.1109/TSMC.2018.2871750Wang, Y., Wang, J., Gao, F., Hu, P., Xu, L., Zhang, J., ... Li, J. (2018, octubre). Detection and Recognition for Fault Insulator Based on Deep Learning. En 2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI) (pp. 1–6). Beijing, China: IEEE. Descargado 2024-06-23, de https://ieeexplore.ieee.org/document/8633245/ doi: 10.1109/ CISP-BMEI.2018.8633245Wu, Q., An, J., & Lin, B. (2012, octubre). A Texture Segmentation Algorithm Based on PCA and Global Minimization Active Contour Model for Aerial Insulator Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(5), 15091518. Descargado 2024-06-23, de https://ieeexplore.ieee.org/document/ 6216453/ doi: 10.1109/JSTARS.2012.2197672Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018, agosto). Convolutional neural networks: an overview and application in radiology. Insights into Imaging, 9(4), 611629. Descargado de https://link.springer.com/articles/10.1007/ s13244-018-0639-9https://link.springer.com/article/10.1007/ s13244-018-0639-9 (Publisher: Springer Verlag) doi: 10.1007/S13244-018-0639-9/ FIGURES/15Zhang, X., An, J., & Chen, F. (2010, diciembre). A Method of Insulator Fault Detection from Airborne Images. En 2010 Second WRI Global Congress on Intelligent Systems (pp. 200203). Wuhan, Hubei, China: IEEE. Descargado 2024-06-23, de http://ieeexplore .ieee.org/document/5709163/ doi: 10.1109/GCIS.2010.74Zhao, J., Liu, X., Sun, J., & Lei, L. (2012). Detecting Insulators in the Image of Overhead Transmission Lines. En D.-S. Huang, C. Jiang, V. Bevilacqua, & J. C. Figueroa (Eds.), Intelligent Computing Technology (pp. 442–450). Berlin, Heidelberg: Springer Berlin Heidelberg.ORIGINALTG1161762.pdfTG1161762.pdfProyecto de Pregradoapplication/pdf36157852https://repositorio.ufps.edu.co/bitstreams/b10c826b-49f8-471c-a012-80d3e8d0ea81/downloade472393a74a5b1456eeeca8cc4d5d7ecMD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://repositorio.ufps.edu.co/bitstreams/b5439329-5323-45ee-b6fe-64003f3dc19c/download2f9959eaf5b71fae44bbf9ec84150c7aMD52falseAnonymousREADTEXTTG1161762.pdf.txtTG1161762.pdf.txtExtracted texttext/plain84283https://repositorio.ufps.edu.co/bitstreams/210b150a-783d-41a7-ace1-7111ad4b6550/downloadd70e2bb419ced9fd9870fd61635cecd9MD53falseAnonymousREADTHUMBNAILTG1161762.pdf.jpgTG1161762.pdf.jpgGenerated Thumbnailimage/jpeg14999https://repositorio.ufps.edu.co/bitstreams/f2041d88-453b-4bcb-85c6-b55fa6aced8d/download27b7b9ae095ec2060a1399b85d624942MD54falseAnonymousREADufps/9695oai:repositorio.ufps.edu.co:ufps/96952025-08-21 03:01:53.415https://creativecommons.org/licenses/by-nc-sa/4.0/Derechos Reservados - Universidad Francisco de Paula Santander, 2024open.accesshttps://repositorio.ufps.edu.coRepositorio Universidad Francisco de Paula Santanderbdigital@metabiblioteca.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 |