YOLOv5s-TC: Un modelo inteligente mejorado para la detección de fallas de aislantes basado en YOLOv5s

Área de la Ciencia:

• Ingeniería eléctrica
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• Los aislantes son componentes críticos en las redes eléctricas, que requieren una detección de fallas confiable para la seguridad y la integridad operativa.
• Las inspecciones manuales tradicionales requieren mucha mano de obra y son propensas a errores, por lo que se requieren soluciones automatizadas avanzadas.
• La tecnología de vehículos aéreos no tripulados (UAV) combinada con el aprendizaje profundo ofrece un enfoque prometedor para una inspección eficiente de la red eléctrica.

Objetivo del estudio:

• Desarrollar un modelo avanzado de detección de aislantes inteligentes para una mayor precisión en las inspecciones de la red eléctrica.
• Mejorar sistemáticamente el modelo de aprendizaje profundo de YOLOv5s para obtener capacidades superiores de detección de fallas.
• Validar el rendimiento del modelo propuesto con respecto a los métodos de última generación existentes.

Principales métodos:

• El estudio propone YOLOv5s-TC, un modelo mejorado de detección de aislantes basado en YOLOv5s.
• Las modificaciones clave incluyen la sustitución del módulo C3 por transformadores de cuello de botella, la integración del módulo de atención de bloque convolucional (CBAM) y la adopción de la función de pérdida OSIoU.
• Se realizaron experimentos comparativos con los modelos YOLOv5s, Faster R-CNN y SSD.

Principales resultados:

• YOLOv5s-TC demostró mejoras significativas en el rendimiento con respecto a los modelos de referencia.
• Se obtuvieron ganancias de precisión promedio (mAP) del 4,4% con respecto a YOLOv5s, del 24,5% con respecto a Faster R-CNN y del 13,9% con respecto a SSD.
• El modelo mejorado mostró una localización superior del objetivo y capacidades de aprendizaje de características.

Conclusiones:

• El modelo YOLOv5s-TC propuesto ofrece un rendimiento de detección y una fiabilidad superiores para aplicaciones prácticas de inspección de redes eléctricas.
• La integración de los transformadores de cuello de botella, CBAM y OSIoU mejora efectivamente la precisión del modelo de aprendizaje profundo.
• Este avance contribuye a un mantenimiento más seguro y eficiente de la red eléctrica a través de inspecciones automatizadas basadas en UAV.