Publication:
DETECCIÓN Y SEGMENTACIÓN DE MÓDULOS PV EN IMÁGENES RGB AÉREAS PARA ANÁLISIS EN CONDICIÓN DE OPERACIÓN

Simple item page
dc.contributor.advisorBARRAZA VICENCIO, RODRIGO (PROFESOR(A) GUÍA)
dc.contributor.advisorCAVIERES ABARCA, ROBINSON (PROFESOR(A) CORREFERENTE)
dc.contributor.authorHURTADO ASTORGA, CLAUDIO SEBASTIÁN
dc.contributor.departmentUniversidad Técnica Federico Santa María. Departamento de Ingeniería Mecánicaes_CL
dc.coverage.spatialCampus San Joaquín, Santiagoes_CL
dc.date.accessioned2023-06-19T15:16:52Z
dc.date.available2023-06-19T15:16:52Z
dc.date.issued2022-08
dc.description.abstractEn el presente trabajo se desarrolla un modelo basado en técnicas de machine learning para poder detectar y segmentar módulos fotovoltaicos en imágenes RGB. Tras un breve estudio del estado del arte en análisis de imágenes se opta por desarrollar un modelo basado en Mask R-CNN, ya que es capaz de detectar y segmentar objetos en imágenes. Para lograr este objetivo se genera un conjunto de ejemplos de 110 imágenes con ambientes o fondos complejos, segmentando manualmente los módulos PV dentro de estas, con las cuales se logra un entrenamiento efectivo del modelo desarrollado. A partir de este entrenamiento el modelo es capaz de detectar y segmentar paneles fotovoltaicos en ambientes complejos logrando una precisión de 99.6%, una puntuación F1 de 0.97 y un parámetro de pérdida de área segmentada “loss” del 15%, lo que demuestra la capacidad del modelo y su fiabilidad para detectar y segmentar imágenes futuras.es_CL
dc.description.abstractIn the present work, a model based on machine learning techniques is developed to be able to detect and segment photovoltaic modules in RGB images. After a brief study of the state of the art in image analysis, it’s decided to develop a model based on Mask R-CNN, since it’s capable of detecting and segmenting objects in images. To achieve this goal, a set of examples of 110 images with complex backgrounds is generated, manually segmenting the PV modules in the images, with which an effective training of the developed model is achieved. Based on this training, the model is capable to do an instance segmentation of photovoltaic panels in complex environments, achieving an accuracy of 99.6%, an F1 score of 0.97 and a segmented area loss parameter call “loss” of 15%, which demonstrates the ability of the model and its reliability to detect and segment future images.es_CL
dc.description.degreeINGENIERO CIVIL MECÁNICOes_CL
dc.description.programDEPARTAMENTO DE INGENIERÍA MECÁNICA. INGENIERÍA CIVIL MECÁNICAes_CL
dc.format.extent58 h.es_CL
dc.identifier.barcode3560902039306es_CL
dc.identifier.urihttps://hdl.handle.net/11673/56084
dc.rights.accessRightsAes_CL
dc.subjectAPRENDIZAJE AUTOMATICOes_CL
dc.subjectINTELIGENCIA ARTIFICIALes_CL
dc.subjectFOTOVOLTAICOes_CL
dc.subjectCONVOLUTIONAL NEURAL NETWORK (CNN)es_CL
dc.titleDETECCIÓN Y SEGMENTACIÓN DE MÓDULOS PV EN IMÁGENES RGB AÉREAS PARA ANÁLISIS EN CONDICIÓN DE OPERACIÓNes_CL
dspace.entity.typePublication
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
3560902039306UTFSM.pdf
Size:
1.86 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Ingeniería Civil Mecánica (Campus San Joaquín)