Optimización en la inspección de torres eléctricas mediante tecnología de reconocimiento de imágenes

La Inteligencia Artificial ha experimentado un crecimiento exponencial en los últimos años, revolucionando múltiples sectores. Desde la generación de contenidos textuales y la identificación de imágenes hasta la creación de material visual hiperrealista. Por todo ello sus aplicaciones son cada vez más sofisticadas. Este trabajo de fin de grado, se basa en una de las ramas más prometedoras de la IA: el reconocimiento de imágenes. Específicamente, se ha explorado la posibilidad de desarrollar una aplicación capaz de identificar la presencia de torres eléctricas en imágenes. El objetivo principal es diseñar un modelo de aprendizaje profundo que, a partir de un conjunto de datos de imágenes etiquetadas, pueda detectar de manera precisa y eficiente este tipo de estructuras. Teniendo en cuenta lo anterior, este trabajo se centra en el desarrollo de un sistema de reconocimiento de postes eléctricos a partir de imágenes satelitales. Para ello, se ha llevado a cabo un exhaustivo proceso que involucra las siguientes etapas: Adquisición y preprocesamiento de datos: Se ha recopilado un conjunto de imágenes satelitales de alta resolución, las cuales han sido sometidas a un riguroso proceso de preprocesamiento para mejorar su calidad y uniformidad. Segmentación de imágenes: Con el objetivo de aislar los postes eléctricos de su entorno. Estas técnicas permiten dividir una imagen en regiones homogéneas, facilitando así la identificación de los objetos de interés. Diseño y entrenamiento de modelos: Se han explorado diferentes arquitecturas de redes neuronales convolucionales (CNN) para el desarrollo de modelos de clasificación y detección de objetos. Estos modelos han sido entrenados utilizando el conjunto de datos etiquetado, con el fin de aprender a discriminar entre postes eléctricos y otros elementos presentes en las imágenes. Evaluación del rendimiento: Se han utilizado diversas métricas de evaluación para medir la precisión, el recall, la F1-score y el accuracy de los modelos propuestos. Estos resultados han permitido comparar el desempeño de los diferentes modelos y seleccionar el más adecuado para la tarea en cuestión.