Los avances científicos a partir de la Inteligencia Artificial, han hecho
que el procesamiento de imágenes para identificar los componentes de potencia
se pueden hacer por medio del patrullaje con robot, por medio de “trabajo vivo”,
a partir de la red neuronal de convolución, con la incorporación de la máscara
de modelo LSTM-CNN que genera información de interferencia ampliando el
rendimiento de detección de eventos de forma significativa a los demás sistemas
de inspección existentes hasta ahora, desarrollados en Efficient power
component identification with long short-term memory and deep neural network.
La inspección automática permite el trabajo operativo para establecer el
comportamiento del funcionamiento de equipos (en este caso de sub estaciones eléctricas),
con la incorporación de robot que trabajan en vivo, reemplazando así el trabajo
humano y optimizando el análisis de datos para la identificación de cualquier eventualidad
en tiempo real, que permite un trabajo en tercera dimensión, globalizador y
óptimo, con el empleo de la red neuronal de convolución basada en la región
inmediata (RCNN), que mejora significativamente el rendimiento general y la
velocidad de dirección.
Este método logra la segmentación de los objetivos para su análisis,
pudiendo predecir el valor de probabilidad del objetivo real por medio de una
imagen de entrada que se genera a partir de un mapa inicial que permite
diagnosticar puntuaciones sensibles en las distintas posiciones del mapa, a
partir de la máscara del modelo LSTM-CNN, que contiene cuatro partes:
preformación modelo CNN, la red RPN, la capa Rol-Align, y la capa de red de detección
y capa de máscara. Cabe destacar que es importante precisar que este proceso busca
mejorar las posibilidades de aprovechar los beneficios científicos y evitar
riesgos humanos y económicos.
Cada una de estas regiones permiten el análisis de capas de la máscara por
medio de la segmentación que establece un proceso de detección e identificación
caracterizado por cinco pasos: (a) operaciones
de convolución preformadas; (b) áreas candidatas en el mapa de características;
(c) supresión de caja en regiones candidatas; (d) vector de alta dimensión para
calcular categorías de detección; y (e) prevención de máscaras binarias para la
clasificación. El impacto de este proceso busca poner a disposición de las instalaciones
eléctricas, un elemento disruptivo surgido de la cuarta revolución industrial “la
inteligencia artificial”, que contiene aplicaciones contextuales, emocionales,
inspiradoras y físicas.
Todo este proceso ayuda a que la información se procese por medio de las
imágenes en zonas cercanas, que determinan los obstáculos y tiene como fortaleza
la inteligencia artificial de la red neuronal, que es la base para determinar las
fallas y a su vez contribuye a mejorar
la precisión de la clasificación de las imágenes para el resguardo, control,
seguimiento y mitigación de riesgos en cada una de las partes de cada pieza y
el detalle de sus accesorios, siendo efectiva en el reconocimiento del entorno
de cada componente con mayor precisión.
Esta investigación sirvió para verificar la exactitud y eficiencia del reconocimiento
de piezas pequeñas, empleando la máscara del algoritmo LSTM-CNN que contribuyen a un mantenimiento
automatizado en tiempo real y además este método es posible aplicarlo en otras
áreas industriales, comerciales y de servicios para mejorar la calidad de vida
y el rendimiento económico de las operaciones en distintas áreas; que decir de Schwab (2016), “…la innovación y
la tecnología se centran en la humanidad y la necesidad de servir al interés
público…” (p. 78), por tanto, se debe garantizar un desarrollo sustentable que
permita en el tiempo la permanencia de la humanidad.
Lei, Jingsheng; Shi, Wenbin; Lei, Zhichao; Li, Fengyong (2018). Efficient power component identification with long short-term memory and deep neural network. EURASIP Jornal on Image and Video Processing (2018) 2018:122
Disponible: https://doi.org/10.1186/s13640-018-0337-z
Lei, Jingsheng; Shi, Wenbin; Lei, Zhichao;
Schwab, Klaus (2016). La Cuarta Revolución Industrial. World Economic Forum. Committed to Improving the State of the World.
FUENTES CONSULTADAS:
Lei, Jingsheng; Shi, Wenbin; Lei, Zhichao;
Schwab, Klaus (2016). La Cuarta Revolución Industrial. World Economic Forum. Committed to Improving the State of the World.
