Skip to content

Introducción

Comparación de métodos de segmentación interactiva sobre imágenes de palas de aerogeneradores

Descripción del problema y motivación

En el marco de la transformación energética que ha llevado a cabo Uruguay en los últimos años, la energía eólica tiene un rol fundamental, representando el 29% de la potencia instalada para la generación de energía eléctrica según datos del Balance Energético Preliminar 2023. Esto trae consigo la necesidad de profundizar en el desarrollo de conocimientos técnicos y tecnológicos en operación y mantenimiento de parques eólicos, que busquen reducir los costes de mantenimiento y los tiempos de inactividad de los aerogeneradores.

Las palas de los aerogeneradores son un elemento clave en el funcionamiento de los mismos; la presencia de fallas o daños en las palas reduce la eficiencia en la generación de energía, causando pérdidas económicas y aumentando el riesgo de accidentes 1. La inspección periódica del estado de las palas y las tareas de mantenimiento preventivo y correctivo son fundamentales para el funcionamiento seguro de los parques eólicos por lo que se vuelve relevante el desarrollo de un sistema de inspección de daños en las palas y detección automática de las mismas.

La mayoría de los sistemas de visión por computadora para la detección de fallas se basan en la segmentación de imágenes mediante el uso de redes neuronales convolucionales. Uno de los desafíos de estos sistemas es la necesidad de reducir la complejidad de las tareas de aprendizaje para mejorar el rendimiento de los modelos. Una técnica efectiva para lograr esto es la segmentación previa de las imágenes, que permite separar la región de la pala del fondo, enfocando así el análisis en la zona de interés 2.

El objetivo de este trabajo es aplicar y comparar algoritmos de segmentación semiautomática o interactiva, como GrabCut (GC) y Random Walker (RW), para segmentar las imágenes de las palas de aerogeneradores y eliminar el fondo. Este proceso permitirá rescatar únicamente la región que contiene la pala, mejorando la calidad y relevancia de los datos. Un ejemplo de las imágenes a segmentar se muestra en la Figura 1.

Figura 1: Muestra de imágenes del dataset

Trabajos similares

Diferentes trabajos se han llevado a cabo estudiando métodos de segmentación interactiva y su efectividad para segmentar imágenes.

Deshpande et al. (2020) 3 exploran la efectividad de Random Walker y GrabCut aplicadas a imágenes de resonancia magnética (MRI) para evaluar su rendimiento en la segmentación precisa de estructuras anatómicas. El estudio mide la precisión de la segmentación usando el Índice de Jaccard, Índice de Dice y la distancia de Hausdorff. Los autores encontraron que ambos métodos tienen sus fortalezas: Random Walker presenta mayor robustez al manejar bordes débiles y ruido, mientras que GrabCut sobresale en refinar límites.

Ynag et al. (2010) 4 presentan un enfoque para la segmentación de imágenes interactivas, diseñado para mejorar la experiencia del usuario al interactuar con las herramientas de segmentación. Utilizan el algoritmo de segmentación Random Walker permitiendo que el usuario pueda definir las semillas iniciales.

Una comparación entre dos métodos de segmentación interactiva sobre imágenes de tomografía computarizada es presentada por Yusta et al. (2022) 5. Los autores aplicaron los métodos Graph Cut y EM/MPM a imágenes de tomografía de hígado y evaluaron sus resultados mediante los coeficientes de Dice, Vinet y Jaccard. Los autores reportan que el método Graph Cut segmentó la región deseada en todos los casos, incluso con imágenes de baja calidad, mostrando gran similitud con la máscara de referencia.

Pérez-Gonzalo et al. (2023) 2 presentan un algoritmo para la segmentación de palas de aerogeneradores en imágenes RGB, separando la pala del fondo. La motivación detrás de este trabajo es la necesidad de soluciones automáticas y basadas en datos para el mantenimiento de aerogeneradores. El algoritmo demuestra ser robusto en diversas condiciones de iluminación y fondos complejos, proporcionando una herramienta eficaz para el mantenimiento predictivo y la evaluación de daños en aerogeneradores.

Referencias

  1. Liang Lv, Zhongyuan Yao, Enming Wang, Xin Ren, Ran Pang, Hua Wang, Yu Zhang, and Hao Wu. Efficient and accurate damage detector for wind turbine blade images. IEEE Access, 10:123378–123386, 2022. ↩

  2. Raül Pérez-Gonzalo, Anne Dorte Lerche Espersen, and Antonio Agudo. Robust wind turbine blade segmentation from rgb images in the wild. 2023 IEEE International Conference on Image Processing (ICIP), pages 1025–1029, 2023. URL: https://api.semanticscholar.org/CorpusID:259262478. ↩↩

  3. Anuja Deshpande, Pradeep Dahikar, and Pankaj Agrawal. An experiment with random walks and grabcut in one cut interactive image segmentation techniques on mri images. In Computational Vision and Bio-Inspired Computing: ICCVBIC 2019, 993–1008. Springer, 2020. ↩

  4. Wenxian Yang, Jianfei Cai, Jianmin Zheng, and Jiebo Luo. User-friendly interactive image segmentation through unified combinatorial user inputs. IEEE Transactions on Image Processing, 19(9):2470–2479, 2010. ↩

  5. Melanie Yusta Gómez, Marlen Pérez Díaz, Rubén Orozco Morales, and Xiomara Plasencia Hernández. Segmentación del hígado en imágenes de tomografía computarizada. MediSur, 20(2):257–271, 2022. ↩