Resumen

El reconocimiento de objetivos es una de las tareas fundamentales de la inspección de líneas de transmisión basada en Vehículos Aéreos No Tripulados (UAV), y en la actualidad se han desarrollado numerosos métodos basados en aprendizaje profundo para ello. Para mejorar la capacidad de generalización de los modelos de reconocimiento, se necesita una gran cantidad de muestras de entrenamiento para cubrir la mayoría de las posibles situaciones. Sin embargo, debido a la complejidad de las condiciones ambientales y los objetivos, y a las limitaciones en la recolección y anotación de imágenes, las muestras suelen ser insuficientes al entrenar un modelo de aprendizaje profundo para el reconocimiento de objetivos, lo cual es uno de los principales factores que reduce el rendimiento del modelo. Para superar este problema, se han desarrollado algunos métodos de aumento de datos para generar muestras adicionales para el entrenamiento del modelo. Aunque estos métodos se han utilizado ampliamente, actualmente no existe un estudio cuantitativo sobre el impacto de los métodos de aumento de datos en el reconocimiento de

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Reconocimiento de objetivos; Aprendizaje profundo; Muestras de entrenamiento; Métodos de aumento de datos; Cadenas aislantes; Precisión
• Keywords:Target recognition; Deep learning; Training samples; Data augmentation methods; Insulator strings; Accuracy