Please use this identifier to cite or link to this item: http://bibdigital.epn.edu.ec/handle/15000/20154
Full metadata record
DC FieldValueLanguage
dc.contributor.authorValencia Peláez, Germán Patricio-
dc.date.accessioned2019-03-29T20:00:02Z-
dc.date.available2019-03-29T20:00:02Z-
dc.date.issued2019-02-18-
dc.identifier.citationValencia Peláez, G. P. (2019).Detección de fallas en los aisladores de la línea de transmisión eléctrica bloque MDC-PBHI aplicando visión artificial. 143 hojas. Quito : EPN.es_ES
dc.identifier.otherT-MVE/0753/CD 9579-
dc.identifier.urihttp://bibdigital.epn.edu.ec/handle/15000/20154-
dc.descriptionEn el presente proyecto se ha realizado la detección de fallas en los aisladores de la línea de transmisión eléctrica en el bloque 46 (Mauro Dávalos Cordero “MDC”) y bloque 47 (Paraíso-Biguno-Huachito-Intracampos “PBHI”) utilizando algoritmos de visión artificial. En primera instancia se ha seleccionado el extractor de características SURF (Speeded-Up Robust Features) por tratarse de un buen descriptor para la detección de objetos en conjunto con el clasificador Adaboost ("Adaptive Boosting") para detectar el aislador en la escena y luego clasificarlo en bueno o malo. En segundo lugar, se han tomado fotografías de otra línea de transmisión eléctrica las cuales forman la Base de Datos “muestras” con 200 imágenes, de las cuales el 70 % se usa para el entrenamiento de los métodos de clasificación y el 30% para test y así poder localizar fallas en aisladores como son rotura, fisura y suciedad. La precisión de clasificación de cada algoritmo se detalla a continuación: Adaboost (62.31%), Bayesiano (75%), SVM (78.13%) y Redes Neuronales (81.25%).es_ES
dc.description.abstractIn the present project has been made the fault detection in the insulators of the electric transmission line in block 46 (Mauro Dávalos Cordero "MDC") and block 47 (Paraíso-Biguno-Huachito-Intracampos "PBHI"), using artificial vision algorithms. In the first instance the feature extractor SURF (Speeded-Up Robust Features) has been selected because it is a good descriptor for the detection of objects in conjunction with the Adaboost classifier ("Adaptive Boosting") to detect the isolator in the scene and then classify it as good or bad. Secondly, photographs of another electric transmission line have been taken which form the Database "samples" with 200 images, of which 70% is used for the training of the classification methods and 30% for test and thus be able to locate faults in insulators such as breakage, fissure and dirt. The classification accuracy of each algorithm is detailed below: Adaboost (62.31%), Bayesian (75%), SVM (78.13%) and Neural Networks (81.25%).es_ES
dc.description.sponsorshipPozo Palma, Paúl Marcelo, directores_ES
dc.language.isospaes_ES
dc.publisherQuito, 2019.es_ES
dc.rightsopenAccesses_ES
dc.subjectINTELIGENCIA ARTIFICIALes_ES
dc.subjectMAQUINAS DE VECTORESes_ES
dc.titleDetección de fallas en los aisladores de la línea de transmisión eléctrica bloque MDC-PBHI aplicando visión artificial.es_ES
dc.typebachelorThesises_ES
Appears in Collections:Tesis Maestría en Automatización y Control Electrónico Industrial

Files in This Item:
File Description SizeFormat 
CD 9579.pdf6,03 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.