Detección de fallos en torres eléctricas de hormigón aplicando redes neuronales

En este trabajo de fin de grado se plantea la posibilidad de la utilización de redes neuronales artificiales para la detección de posibles fallos en torres eléctricas aéreas de hormigón. Para lograr dicho objetivo, se ha realizado un profundo estudio sobre visión artificial que ha comprendido desde sus fundamentos básicos, hasta los detectores más avanzados de la actualidad, todo con el propósito de conocer su funcionamiento, sus posibilidades y las mejores opciones disponibles para implementar en nuestro proyecto. Tras este estudio, se han seleccionado dos tipos de detectores, el modelo Faster R-CNN ResNet101 y el modelo YOLOv8m, como posibles soluciones. Su elección atiende a criterios de rendimiento y precisión. Tras ello, se han implementado los modelos a nuestro proyecto y se ha realizado una comparativa entre los resultados de ambos detectores. El modelo YOLOv8m ha obtenido las mejores métricas y por lo tanto, será el detector que se implemente en nuestro proyecto. Abstract In this final degree thesis, the possibility of using artificial neural networks for the detection of possible faults in overhead concrete electricity pylons is considered. In order to achieve this objective, an in-depth study of artificial vision has been carried out, ranging from its basic foundations to the most advanced detectors currently available, all with the aim o finding out how they work, their possibilities and the best options available for implementation in our project. Following this study, two types of detectors, the Faster RCNN ResNet101 model and the YOLOv8m model, have been selected as possible solutions. Their choice is based on performance and accuracy criteria. After that, the models have been implemented in our project and a comparison has been made between the results of both detectors. The YOLOv8m model has obtained the best metrics and will therefore be the detector to be implemented in our project.