Aplicación de Deep Learning y dron en una línea de transmisión para aumentar la productividad en detección de fallas en aisladores, Jaén-Cajamarca

Laban Chuquipoma,Juan Eduardo; Cubas Quevedo,Salomón

Aplicación de Deep Learning y dron en una línea de transmisión para aumentar la productividad en detección de fallas en aisladores, Jaén-Cajamarca

dc.contributor.advisor	Llanos Sánchez,Luis Miguel
dc.contributor.advisor	Shimabuku Ysa,Ricardo Ángel
dc.contributor.author	Laban Chuquipoma,Juan Eduardo
dc.contributor.author	Cubas Quevedo,Salomón
dc.date.accessioned	2026-04-17T19:24:35Z
dc.date.available	2026-04-17T19:24:35Z
dc.date.issued	2026-04-17
dc.description.abstract	La investigación aborda el problema de la baja productividad, el elevado tiempo de procesamiento y los riesgos operativos asociados al método tradicional de inspección visual de aisladores en líneas de transmisión, el cual depende de la experiencia del personal y presenta limitaciones para la detección oportuna de fallas. El objetivo general fue aplicar Deep Learning y dron en una línea de transmisión para aumentar la productividad en detección de fallas en aisladores, Jaén – Cajamarca. Se desarrolló una investigación aplicada, con enfoque cuantitativo y diseño no experimental, recopilándose información del procedimiento tradicional mediante entrevista y observación; posteriormente se implementó un modelo de detección automática basado en YOLOv11, entrenado con una base de datos de 2239 imágenes de aisladores en buen estado, sucios, roto/flameado y validado con 430 imágenes, y se comparó el rendimiento frente al método tradicional. Los resultados evidenciaron que el método tradicional permite inspeccionar entre 8 y 10 estructuras por día, mientras que la integración con dron y Deep Learning incrementó la capacidad a 42 estructuras por jornada; además el modelo alcanzó una precisión del 95.6%, un Recall del 96.3% y una mAP@0.5 de 97.7%, reduciendo el tiempo de análisis en gabinete de 72 a 0.55 segundos por imagen. Se concluye que la propuesta incrementa la productividad en 367%, reduce costos en 19% y minimiza riesgos operativos, constituyéndose una alternativa tecnológica eficiente y viable para modernizar los procesos de inspección de infraestructuras eléctricas.
dc.format	application/pdf
dc.identifier.citation	Laban, J. y Cubas. S. (2026). Aplicación de Deep Learning y dron en una línea de transmisión para aumentar la productividad en detección de fallas en aisladores, Jaén-Cajamarca [Tesis de pregrado, Universidad Nacional de Jaén, Carrera Profesional de Ingeniería Mecánica y Eléctrica]. Repositorio institucional UNJ.
dc.identifier.uri	http://hdl.handle.net/20.500.14689/1147
dc.language.iso	spa
dc.publisher	Universidad Nacional de Jaén
dc.publisher.country	PE
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
dc.source	Universidad Nacional de Jaén\|\|Repositorio Institucional - UNJ
dc.subject	Deep Learning
dc.subject	dron
dc.subject	YOLOv11
dc.subject	productividad
dc.subject	aisladores.
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.00
dc.title	Aplicación de Deep Learning y dron en una línea de transmisión para aumentar la productividad en detección de fallas en aisladores, Jaén-Cajamarca
dc.type	info:eu-repo/semantics/bachelorThesis
dc.type.version	info:eu-repo/semantics/publishedVersion
renati.advisor.dni	44642955
renati.advisor.dni	06964969
renati.advisor.orcid	https://orcid.org/0009-0007-4035-5112
renati.advisor.orcid	https://orcid.org/0000-0002-6356-8352
renati.author.dni	75628153
renati.author.dni	47968487
renati.discipline	713076
renati.juror	Fernández Mera,José Andrés
renati.juror	Olivera Aldana,Mario Félix
renati.juror	Honorio Acosta,Jaime Odar
renati.level	https://purl.org/pe-repo/renati/nivel#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Mecánica y Eléctrica
thesis.degree.grantor	Universidad Nacional de Jaén, Facultad de Ingeniería Mecánica y Eléctrica
thesis.degree.name	Ingeniero Mecánico Electricista