VISIÓN ARTIFICIAL PARA LA DETECCIÓN DE COMPONENTES EN SUBESTACIONES ELÉCTRICAS

Nuestra realidad presente cuenta con un desarrollo  exponencial a partir de las investigaciones matemáticas y la potenciación del cómputo, que han mejorado el manejo de la disponibilidad de datos por medio del empleo de software, que enriquecen su empleo en la sociedad postmoderna. Por tanto, las computadoras se nutren de la inteligencia artificial para aprender a razonar autoprogramarse y encontrar soluciones, Schwab (2016), sostiene que “…los robot avanzados no existirían sin la inteligencia artificial, que en sí misma depende, en gran medida, de la potencia del cómputo.” (p. 15), además es partidario que estos dispositivos se convertirán pronto en nuestro ecosistema personal.

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.

A partir de los resultados y la discusión de este método, se determinó que el “robot de trabajo vivo captura imágenes de alta resolución, incluyendo un rápido zoom del tamaño de destino…Se consideran tres tipos de componentes electrónicos: transformadores, interruptores de aislamiento, y disyuctores.”, así mismo se precisa que “hay sólo tres tipos de categorías identificadas en este experimento, mAP (mapa promedio de precisión), mRecall (recordatorio), mEAO (área de ocupación efectiva) de cada tipo de componente de potencia se cuenta por separado”.

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.

FUENTES CONSULTADAS: 

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.