SciELO - Scientific Electronic Library Online

 
 issue26Influence of the Zinc Chromate coating on the corrosion of ASTM A-500 and galvanized A-500 steel exposed into a salt fog corrosion chamberSimplified Model of a Grid-Connection Interface Based on Power Electronic Converter for Grid Studies in Dynamic Regime author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Ingenius. Revista de Ciencia y Tecnología

On-line version ISSN 1390-860XPrint version ISSN 1390-650X

Abstract

PEREZ-AGUILAR, Daniel; RISCO-RAMOS, Redy  and  CASAVERDE-PACHERREZ, Luis. Transfer learning en la clasificación binaria de imágenes térmicas. Ingenius [online]. 2021, n.26, pp.71-86. ISSN 1390-860X.  https://doi.org/10.17163/ings.n26.2021.07.

La clasificación de imágenes térmicas es un aspecto clave en el sector industrial, debido a que suele ser el punto de partida en la detección de fallos en equipos eléctricos. En algunos casos, esta tarea se automatiza mediante el uso de técnicas tradicionales de inteligencia artificial, mientras que en otros, es realizada de manera manual, lo cual puede traer consigo altas tasas de error humano. Este artículo presenta un análisis comparativo entre once arquitecturas de transfer learning (AlexNet, VGG16, VGG19, ResNet, DenseNet, MobileNet v2, GoogLeNet, ResNeXt, Wide ResNet, MNASNet y ShuffleNet) mediante el uso de fine-tuning, con la finalidad de realizar una clasificación binaria de imágenes térmicas en una red de distribución eléctrica. Para ello, se dispone de una base de datos con 815 imágenes, divididas mediante la técnica tipo hold-out 60-20-20 y validación cruzada con 5-folds, para finalmente analizar su rendimiento mediante el test de Friedman. Luego de los experimentos, se obtuvieron resultados satisfactorios con exactitudes superiores a 85 % en diez de las arquitecturas previamente entrenadas. Sin embargo, la arquitectura que no se entrenó previamente presentó una exactitud baja; concluyéndose que la aplicación de transfer learning mediante el uso de arquitecturas previamente entrenadas es un mecanismo adecuado en la clasificación de este tipo de imágenes, y representa una alternativa confiable frente a técnicas tradicionales de inteligencia artificial.

Keywords : imágenes térmicas; fine-tuning; preentrenamiento; test de Friedman; transfer learning.

        · abstract in English     · text in Spanish     · Spanish ( pdf )