Investigación sobre la detección de objetos extraños interdominio basado en el aprendizaje profundo en líneas de...

Área de la Ciencia:

• Ingeniería eléctrica
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• El aprendizaje profundo es crucial para el monitoreo de la seguridad de la red eléctrica, específicamente para detectar peligros en las líneas de transmisión.
• Los modelos existentes se enfrentan a desafíos con arquitecturas complejas y detección de objetivos pequeños u ocluidos, lo que dificulta las aplicaciones en tiempo real y de dispositivos de borde.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo eficiente y preciso para detectar posibles riesgos de seguridad en las líneas de transmisión.
• Para abordar las limitaciones de los modelos existentes en la detección de objetivos pequeños u ocluidos y para el despliegue de dispositivos de borde.

Principales métodos:

• Integración del modelo YOLOv11 con la red ConvNeXt para crear el modelo ConvNeXt-You Only Look Once (CO-YOLO).
• Utilizó la optimización bayesiana para el ajuste de hiperparámetros para acelerar la convergencia del modelo.

Principales resultados:

• CO-YOLO logró una precisión media media (mAP) del 98,4% en el umbral de IoU 0,5 y del 66,1% en el umbral de IoU 0,5:0,95.
• El modelo demostró un marco por segundo (FPS) de 303, superando a YOLOv11 y ETLSH-YOLO tanto en precisión como en eficiencia.
• CO-YOLO mostró una mejora del 1,9% en mAP@0,5 y una mejora del 2,2% en mAP@0,5:0,95 en comparación con el modelo original de YOLOv11.

Conclusiones:

• El modelo CO-YOLO propuesto mejora significativamente la precisión y la eficiencia de la detección de peligros para la seguridad de las líneas de transmisión.
• CO-YOLO es una solución prometedora para el monitoreo en tiempo real y el despliegue de dispositivos de borde en aplicaciones de seguridad de la red eléctrica.