Transfer learning en la clasificación binaria de imágenes térmicas
Fuente:
Redalyc
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Format: | Artículo científico |
| Sprache: | es |
| Veröffentlicht: |
Universidad Politécnica Salesiana
2021
|
| Schlagworte: | |
| Online-Zugang: | |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| _version_ | 1876474214086606848 |
|---|---|
| author | Daniel Pérez-Aguilar |
| author_facet | Daniel Pérez-Aguilar |
| contents | Transfer learning en la clasificación binaria de imágenes térmicas Daniel Pérez-Aguilar Redy Risco-Ramos Luis Casaverde-Pacherrez Ingeniería fine tuning preentrenamiento test de Friedman Imágenes térmicas 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. 2021 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505567902007 https://www.redalyc.org/journal/5055/505567902007/ https://www.redalyc.org/journal/5055/505567902007/html/ https://www.redalyc.org/journal/5055/505567902007/505567902007.epub https://www.redalyc.org/journal/5055/505567902007/movil https://doi.org/10.17163/ings.n26.2021.07 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Num.26 |
| format | Artículo científico |
| id | redalyc_505567902007 |
| institution | Redalyc |
| language | es |
| publishDate | 2021 |
| publisher | Universidad Politécnica Salesiana |
| spellingShingle | Transfer learning en la clasificación binaria de imágenes térmicas Daniel Pérez-Aguilar Ingeniería fine tuning preentrenamiento test de Friedman Imágenes térmicas Transfer learning en la clasificación binaria de imágenes térmicas Daniel Pérez-Aguilar Redy Risco-Ramos Luis Casaverde-Pacherrez Ingeniería fine tuning preentrenamiento test de Friedman Imágenes térmicas 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. 2021 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505567902007 https://www.redalyc.org/journal/5055/505567902007/ https://www.redalyc.org/journal/5055/505567902007/html/ https://www.redalyc.org/journal/5055/505567902007/505567902007.epub https://www.redalyc.org/journal/5055/505567902007/movil https://doi.org/10.17163/ings.n26.2021.07 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Num.26 |
| title | Transfer learning en la clasificación binaria de imágenes térmicas |
| topic | Ingeniería fine tuning preentrenamiento test de Friedman Imágenes térmicas |
| url | https://www.redalyc.org/articulo.oa?id=505567902007 https://www.redalyc.org/journal/5055/505567902007/ https://www.redalyc.org/journal/5055/505567902007/html/ https://www.redalyc.org/journal/5055/505567902007/505567902007.epub https://www.redalyc.org/journal/5055/505567902007/movil https://doi.org/10.17163/ings.n26.2021.07 |