Detección de Defectos de Potencia con YOLOv12 Mejorado y Análisis Visual de Nubes de Puntos Pseudo de ROI

Área de la Ciencia:

• Ingeniería Eléctrica
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La inspección de equipos de potencia enfrenta desafíos con defectos sutiles y fondos desordenados.
• La detección precisa de fallas es crucial para la confiabilidad y el mantenimiento de la red.

Objetivo del estudio:

• Desarrollar un marco mejorado de aprendizaje profundo para la detección de defectos de potencia multiclase.
• Mejorar la robustez y la precisión en escenarios de inspección complejos.
• Proporcionar análisis visuales intuitivos para la inspección de defectos y estructuras.

Principales métodos:

• Un marco YOLOv12 mejorado que incorpora un módulo de atención de región guiada por prior (PG-RA) y una red de agregación de capas eficientes residuales liviana (LR-RELAN).
• Una función de pérdida de fusión adaptativa de doble espectro (pérdida DSAF) para mejorar la clasificación y la regresión.
• Construcción de nubes de puntos pseudo de región de interés (ROI) y comparación de estrategias de eliminación de ruido (SOR, ROR).

Principales resultados:

• El marco propuesto demuestra una precisión y robustez de detección mejoradas en escenas complejas.
• Se mantiene el rendimiento en tiempo real.
• Las nubes de puntos pseudo de ROI ofrecen una vista auxiliar intuitiva para la inspección práctica de defectos y estructuras.

Conclusiones:

• El marco YOLOv12 mejorado aborda eficazmente los desafíos en la detección de defectos de equipos de potencia.
• La integración de PG-RA, LR-RELAN y la pérdida DSAF conduce a un rendimiento superior.
• El módulo de nube de puntos pseudo de ROI mejora la interpretabilidad del sistema y ayuda en el análisis práctico de defectos.