Abstract

Actualmente diversas investigaciones se han enfocado en analizar a partir de videos de alta velocidad, características de las descargas eléctricas atmosféricas con el fin de adquirir mejor comprensión del fenómeno, que conlleva entre otros aspectos el desarrollo de sistemas de protección robustos. La mayoría de las investigaciones han requerido de un observador que ante el suceso del evento provea un disparo manual a la cámara permitiendo almacenar la información visual del fenómeno. Por tanto, este trabajo se orientó en proponer una metodología para la detección de las descargas utilizando dos implementaciones basadas en procesamiento de señales y visión computacional, con el propósito que el sistema autónomamente sea el que suministre el disparo, apartando al observador de la realización de esta tarea. El sistema de detección basado en técnicas de procesamiento de imágenes requirió la adecuación de métodos de segmentación, representación, descripción y clasificación. El algoritmo de reconocimiento con visión computacional se implementó mediante la red neuronal convolucional EfficientNetB4. Fuera de línea, las técnicas basadas en procesamiento de imágenes suministraron una precisión del 81.81%, mientras que haciendo uso de visión computacional la precisión fue de 71.63%. Con el objeto de evaluar el desempeño en tiempo real, las técnicas de procesamiento se adaptaron en un ordenador de placa reducida correspondiente a la Raspberry Pi 3 modelo B+ obteniéndose una precisión de 86.95%. Adicionalmente, se evaluó la característica de multiplicidad la cual corresponde al número de descargas subsecuentes presentes en el canal de la descarga logrando una precisión de 66.66%. (Texto tomado de la fuente)

Keywords

ResidualComputer scienceCocoArtificial intelligenceObject detectionDeep learningSegmentationPattern recognition (psychology)Set (abstract data type)Layer (electronics)Artificial neural networkTask (project management)Machine learningResidual neural networkDeep neural networksAlgorithm

Affiliated Institutions

Related Publications

Welcome to the Tidyverse

RESUMENEvaluación del efecto de un curso nivelatorio de matemáticas en educación superior: el caso de Matemáticas Básicas La investigación evalúa los efectos de tomar un curso d...

2019 The Journal of Open Source Software 18560 citations

Publication Info

Year
2016
Type
article
Pages
770-778
Citations
208735
Access
Closed

External Links

Social Impact

Social media, news, blog, policy document mentions

Citation Metrics

208735
OpenAlex

Cite This

Kaiming He, Xiangyu Zhang, Shaoqing Ren et al. (2016). Deep Residual Learning for Image Recognition. , 770-778. https://doi.org/10.1109/cvpr.2016.90

Identifiers

DOI
10.1109/cvpr.2016.90