Arquitectura de red neuronal convolucional para la identificación de especies de árboles que evite la interrupción del flujo eléctrico

Abstract

El presente trabajo de investigación tiene como finalidad el planteamiento de la identificación de especies de árboles utilizando imágenes mediante redes neuronales convolucionales para procesos catastrales en empresas de energía eléctrica. Con dicha propuesta se pretende ofrecer a estas empresas una herramienta que les permita mejorar la identificación de árboles cuando se necesite podar y así poder reducir el margen de error en comparación a los métodos tradicionales de catastros para evitar cortes de flujo eléctrico debido al crecimiento del árbol.

Para desarrollar este proyecto se realizó una investigación sobre las posibles alternativas que ayudarían a identificar las especies de plantas. Se realizó un análisis de herramientas de machine learning que dio como resultado que la red neuronal convolucional es la mejor opción para poder identificar, segmentar y discriminar con captura de imágenes. Además, se hizo un seguimiento de las características de las especies de plantas más comunes y se optó por utilizar dataset para administrar estas características importantes por discriminar de las especies de plantas y usarlas junto con las redes neuronales para su identificación. A continuación, se diseñó la arquitectura de red neuronal convolucional para la identificación de plantas.

Finalmente se realizó una encuesta sobre el nivel de satisfacción del usuario sobre las ventajas que la implementación de la red neuronal convolucional, tales como la reducción del tiempo de identificación de planta, el fácil uso y la eliminación total de los errores operativos, en dicha encuesta participaron el jefe y los usuarios del proceso. Con los resultados de dicha encuesta se pudo validar que el grado de satisfacción de los usuarios es alto respecto a las ventajas que brinda la implementación de la arquitectura propuesta; lo cual cumple con los objetivos de poder identificar la especie de árbol y así no cometer errores en la poda e interrumpir flujos eléctricos.

The purpose of this research work is to propose the identification of tree species using images through convolutional neural networks for cadastral processes in electric power companies. With this proposal, it is intended to offer these companies a tool that allows them to improve the identification of trees when pruning is needed and thus be able to reduce the margin of error compared to traditional measure methods to avoid power outages due to tree growth.

To develop this project, an investigation was carried out on the possible alternatives that would help to identify the plant species. An analysis of machine learning tools was carried out, which resulted in the convolutional neural network being the best option to be able to identify, segment and discriminate with image capture. In addition, the characteristics of the most common plant species were monitored, and it was decided to use a dataset to manage these important characteristics by discriminating between plant species and using them together with neural networks for their identification. Next, the convolutional neural network architecture for plant identification was designed.

Finally, a survey was carried out on the level of user satisfaction on the advantages of the implementation of the convolutional neural network, such as the reduction of plant identification time, the easy use, and the total elimination of operating errors, in said survey; the boss and users of the process participated. With the results of said survey, it was possible to validate that the degree of user satisfaction is high with respect to the advantages offered by the implementation of the proposed architecture; which meets the objectives of being able to identify the species of tree and thus not make mistakes in pruning and interrupt electrical flows.