Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR

Este proyecto aborda el desafío de clasificar automáticamente líneas de alta tensión a partir de nubes de puntos LiDAR, con el objetivo de mejorar la supervisión y el mantenimiento de las infraestructuras eléctricas. La identificación precisa de estas líneas es fundamental debido a la coexistencia d...

Full description

Autores:
Palma, José Daniel
Villalobos, José David
Zuñiga, Juan David
Tipo de recurso:
Fecha de publicación:
2024
Institución:
Universidad del Norte
Repositorio:
Repositorio Uninorte
Idioma:
spa
OAI Identifier:
oai:manglar.uninorte.edu.co:10584/12976
Acceso en línea:
http://hdl.handle.net/10584/12976
Palabra clave:
Algoritmo
Clasificación
Líneas de alta tensión
Tecnología LiDAR
Nube de puntos LiDAR
Algorithm
Classification
High-voltage power lines
LiDAR technology
LiDAR point cloud
Rights
License
Universidad del Norte
id REPOUNORT2_6240ff2deae47c24792a7ff08ade23d6
oai_identifier_str oai:manglar.uninorte.edu.co:10584/12976
network_acronym_str REPOUNORT2
network_name_str Repositorio Uninorte
repository_id_str
dc.title.es_ES.fl_str_mv Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
dc.title.en_US.fl_str_mv Algorithm for Classifying High-Voltage Power Lines from a LiDAR Point Cloud
title Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
spellingShingle Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
Algoritmo
Clasificación
Líneas de alta tensión
Tecnología LiDAR
Nube de puntos LiDAR
Algorithm
Classification
High-voltage power lines
LiDAR technology
LiDAR point cloud
title_short Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
title_full Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
title_fullStr Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
title_full_unstemmed Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
title_sort Algoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDAR
dc.creator.fl_str_mv Palma, José Daniel
Villalobos, José David
Zuñiga, Juan David
dc.contributor.advisor.none.fl_str_mv Veléz, Juan Carlos
Tello, Juan Pablo
dc.contributor.author.none.fl_str_mv Palma, José Daniel
Villalobos, José David
Zuñiga, Juan David
dc.subject.es_ES.fl_str_mv Algoritmo
Clasificación
Líneas de alta tensión
Tecnología LiDAR
Nube de puntos LiDAR
topic Algoritmo
Clasificación
Líneas de alta tensión
Tecnología LiDAR
Nube de puntos LiDAR
Algorithm
Classification
High-voltage power lines
LiDAR technology
LiDAR point cloud
dc.subject.en_US.fl_str_mv Algorithm
Classification
High-voltage power lines
LiDAR technology
LiDAR point cloud
description Este proyecto aborda el desafío de clasificar automáticamente líneas de alta tensión a partir de nubes de puntos LiDAR, con el objetivo de mejorar la supervisión y el mantenimiento de las infraestructuras eléctricas. La identificación precisa de estas líneas es fundamental debido a la coexistencia de múltiples elementos con características similares, como árboles, postes y otros tipos de cableado, que dificultan la diferenciación y aumentan los errores en la clasificación. Para superar estas barreras, se desarrolló un algoritmo de clasificación especializado capaz de identificar líneas de alta tensión con una longitud mínima de 10 metros. El proceso comienza con la adquisición de las nubes de puntos LiDAR, seguidas de un preprocesamiento para reducir el ruido y mejorar la calidad de los datos. Posteriormente, el algoritmo aplica técnicas avanzadas de clasificación para distinguir las líneas de alta tensión de otros objetos presentes en la nube. Además, se validaron los resultados mediante pruebas sobre nubes accesibles, exportando el trazado de cables a un formato GIS compatible, lo que facilita su integración en sistemas de monitoreo más amplios. Esta solución no solo permite una gestión más eficiente y precisa de las líneas de alta tensión, sino que también reduce la dependencia de inspecciones manuales, optimizando recursos y minimizando riesgos. El uso de la tecnología LiDAR para este propósito promueve una supervisión proactiva, la detección temprana de fallos y una prolongación de la vida útil de las infraestructuras eléctricas, contribuyendo a un suministro eléctrico más seguro y confiable.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-11-27T19:27:27Z
dc.date.available.none.fl_str_mv 2024-11-27T19:27:27Z
dc.date.issued.none.fl_str_mv 2024-11-20
dc.type.es_ES.fl_str_mv article
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10584/12976
url http://hdl.handle.net/10584/12976
dc.language.iso.es_ES.fl_str_mv spa
language spa
dc.rights.es_ES.fl_str_mv Universidad del Norte
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Universidad del Norte
http://purl.org/coar/access_right/c_abf2
dc.publisher.es_ES.fl_str_mv Barranquilla, Universidad del Norte, 2024
institution Universidad del Norte
bitstream.url.fl_str_mv https://manglar.uninorte.edu.co/bitstream/10584/12976/1/imagenespa.pdf
https://manglar.uninorte.edu.co/bitstream/10584/12976/2/imagening.jpeg
https://manglar.uninorte.edu.co/bitstream/10584/12976/3/license.txt
bitstream.checksum.fl_str_mv 24a7065c03d873da3d3b1c098b0b961a
99daa24e1fe52029ba70f6d2b20e0698
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital de la Universidad del Norte
repository.mail.fl_str_mv mauribe@uninorte.edu.co
_version_ 1828169922639822848
spelling Veléz, Juan CarlosTello, Juan PabloPalma, José DanielVillalobos, José DavidZuñiga, Juan David2024-11-27T19:27:27Z2024-11-27T19:27:27Z2024-11-20http://hdl.handle.net/10584/12976Este proyecto aborda el desafío de clasificar automáticamente líneas de alta tensión a partir de nubes de puntos LiDAR, con el objetivo de mejorar la supervisión y el mantenimiento de las infraestructuras eléctricas. La identificación precisa de estas líneas es fundamental debido a la coexistencia de múltiples elementos con características similares, como árboles, postes y otros tipos de cableado, que dificultan la diferenciación y aumentan los errores en la clasificación. Para superar estas barreras, se desarrolló un algoritmo de clasificación especializado capaz de identificar líneas de alta tensión con una longitud mínima de 10 metros. El proceso comienza con la adquisición de las nubes de puntos LiDAR, seguidas de un preprocesamiento para reducir el ruido y mejorar la calidad de los datos. Posteriormente, el algoritmo aplica técnicas avanzadas de clasificación para distinguir las líneas de alta tensión de otros objetos presentes en la nube. Además, se validaron los resultados mediante pruebas sobre nubes accesibles, exportando el trazado de cables a un formato GIS compatible, lo que facilita su integración en sistemas de monitoreo más amplios. Esta solución no solo permite una gestión más eficiente y precisa de las líneas de alta tensión, sino que también reduce la dependencia de inspecciones manuales, optimizando recursos y minimizando riesgos. El uso de la tecnología LiDAR para este propósito promueve una supervisión proactiva, la detección temprana de fallos y una prolongación de la vida útil de las infraestructuras eléctricas, contribuyendo a un suministro eléctrico más seguro y confiable.This project tackles the challenge of automatically classifying high-voltage power lines from LiDAR point clouds to enhance the monitoring and maintenance of electrical infrastructures. Precise identification of these lines is crucial due to the coexistence of various elements with similar characteristics, such as trees, poles, and other types of wiring, which complicate differentiation and increase classification errors. To address these challenges, a specialized classification algorithm was developed, capable of identifying high-voltage power lines with a minimum length of 10 meters. The workflow begins with the acquisition of LiDAR point clouds, followed by preprocessing steps to reduce noise and improve data quality. The algorithm applies advanced classification techniques to distinguish high-voltage lines from other objects present in the point cloud. The results were validated through tests on accessible point clouds, and cable traces were exported to GIS-compatible formats, facilitating integration into broader monitoring systems. This solution not only enables more efficient and accurate management of high-voltage lines but also reduces reliance on manual inspections, optimizing resources and minimizing risks. The use of LiDAR technology for this purpose supports proactive monitoring, early fault detection, and extended lifespan of critical electrical infrastructures, contributing to a safer and more reliable power supply.spaBarranquilla, Universidad del Norte, 2024Universidad del Nortehttp://purl.org/coar/access_right/c_abf2AlgoritmoClasificaciónLíneas de alta tensiónTecnología LiDARNube de puntos LiDARAlgorithmClassificationHigh-voltage power linesLiDAR technologyLiDAR point cloudAlgoritmo para clasificar líneas de alta tensión a partir de una nube de puntos LiDARAlgorithm for Classifying High-Voltage Power Lines from a LiDAR Point Cloudarticlehttp://purl.org/coar/resource_type/c_6501ORIGINALimagenespa.pdfimagenespa.pdfDiagrama general del proyecto (Español)application/pdf98973https://manglar.uninorte.edu.co/bitstream/10584/12976/1/imagenespa.pdf24a7065c03d873da3d3b1c098b0b961aMD51imagening.jpegimagening.jpegDiagrama general del proyecto (Inglés)image/jpeg193731https://manglar.uninorte.edu.co/bitstream/10584/12976/2/imagening.jpeg99daa24e1fe52029ba70f6d2b20e0698MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://manglar.uninorte.edu.co/bitstream/10584/12976/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5310584/12976oai:manglar.uninorte.edu.co:10584/129762024-11-27 14:27:27.429Repositorio Digital de la Universidad del Nortemauribe@uninorte.edu.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

Publicaciones similares