RECONOCIMIENTO DE IMPUREZAS DE AISLADORES ELÉCTRICOS EN IMÁGENES DIGITALES

• Autores: Villegas Vega, Myguel Angel Mohamet, Chapoñan Santisteban, Yilmer Justiniano
• Formato: tesis de grado
• Fecha de Publicación: 2018
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/5480
• Enlace del recurso: https://hdl.handle.net/20.500.12802/5480
• Nivel de acceso: acceso abierto
• Materia: Reconocimiento de imágenes; Algoritmos; Aisladores eléctricos; Impurezas; Mantenimiento preventivo; http://purl.org/pe-repo/ocde/ford#2.02.04

.Este trabajo se enfoca en los algoritmos y técnicas empleadas para el reconocimiento de impurezas en aisladores eléctricos. Y se desarrolló con el objetivo de poder determinar a tiempo, cuando es que un aislador eléctrico necesita su respectivo mantenimiento preventivo; para impedir cortocircuitos, fugas a tierra y arcos eléctricos. La implementación se propuso en un laboratorio de investigación, limitándose a procesar 200 diferentes imágenes. Las técnicas usadas en la presente investigación fueron las de observación y entrevista a ingenieros eléctricos que nos explicó los principales problemas con respecto a estos aisladores eléctricos en media y alta tensión. Para poder realizar este trabajo se usaron diferentes algoritmos en cada una de las etapas del procesamiento de imágenes digitales: Pre – Procesamiento (Filtros de Mediana y Filtro Blur Normalizado), Segmentación (Otsu), Extracción de características (Gabor y LBP) y Clasificación (SVM, KNN, Red Neuronal Probabilística y clasificación semiautomático). Debido a que se usaron 2 algoritmos en el pre procesamiento, un algoritmo en la etapa de segmentación y 2 algoritmos en la etapa de Extracción, se obtuvieron 2 grupos (Gabor y LBP) para cada grupo de algoritmos de Pre Procesamiento. Después de que se clasificaron todas las imágenes en cada uno de los grupos, se obtuvo un porcentaje en cuanto a rendimiento de 100% con SVM y KNN en base a la clasificación semiautomático con los algoritmos (Filtro Mediana, Otsu, Gabor), seguido de un 80% con todos los algoritmos de clasificación con los algoritmos (Filtro Normalizado, Otsu, LBP). El mejor resultado con el algoritmo de redes neuronales fue de 80% con Filtro Normalizado, Otsu y LBP