Aprendizaje por transferencia mediante el ajuste fino de arquitecturas de redes neuronales convolucionales preentrenadas para la detección de fallos en interruptores mediante imágenes térmicas

Los interruptores son un componente vital de los sistemas eléctricos modernos, responsables de regular el flujo de energía eléctrica. Problemas de contacto, cargas irregulares y otros problemas similares pueden causar que los interruptores se sobrecalienten, lo que lleva a perturbaciones inesperadas y daños potenciales en el equipo eléctrico. La termografía muestra un potencial significativo y se emplea cada vez más para detectar fallos en el equipo eléctrico. Sin embargo, las características únicas de las imágenes térmicas a menudo plantean desafíos para una detección precisa de fallos. Esta investigación tiene como objetivo estudiar la efectividad de las arquitecturas de aprendizaje por transferencia para la detección de fallos en interruptores. Este artículo aplica once arquitecturas de aprendizaje por transferencia, incluyendo SqueezeNet, GoogLeNet, InceptionV3, DenseNet201, ResNet50, Xception, InceptionResNetV2, ShuffleNet, EfficientNetB0, AlexNet y VGG19. Los resultados de la fase de prueba demostraron que la aplicación de aprendizaje por transferencia mediante el ajuste fino de arquitecturas de redes neuronales convolucionales preentrenadas fue altamente efectiva en la clasificación de imágenes térmicas capturadas de unidades de interruptores. Los modelos lograron tasas de precisión entre el 83.87% y el 98.38%, y valores de F1-Scores entre el 83.11% y el 98.34% en las arquitecturas preentrenadas.