Macro Micro News Global Pulse. Local Truth.

La IA detecta fallos en torres de transmisión: un aumento del 59% en la precisión para la seguridad de la red

15 November 2026 · 2 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Salam Habash
Image by Salam Habash

Las redes energéticas modernas dependen de la fiabilidad de su infraestructura de transmisión eléctrica. Las inspecciones manuales de estas enormes estructuras de acero siguen siendo laboriosas y propensas a errores humanos. Una nueva innovación en visión por computadora ofrece una solución transformadora para identificar debilidades estructurales en las torres de alta tensión. Los investigadores han desarrollado un modelo avanzado de inteligencia artificial que mejora significativamente la localización de las zonas de conexión estructural superiores e inferiores. Estas áreas son puntos vitales para el mantenimiento y las evaluaciones de seguridad.

La clave de esta innovación es una versión modificada de la arquitectura Real-Time DEtection TRansformer. Este modelo integra un backbone C2f_SHSA_CGLU con mecanismos de atención de codificador deformable. También cuenta con un módulo especializado llamado SBA_fused que opera a un nivel de resolución P2 alto. Estas mejoras técnicas permiten al sistema procesar datos visuales complejos con mayor eficacia. El sistema maneja objetos pequeños o detalles lejanos que los algoritmos de detección estándar suelen pasar por alto. El estudio utilizó un conjunto de datos privado compuesto por 818 imágenes y más de 12.500 cajas delimitadoras. Esto aseguró que el modelo se entrenara bajo condiciones reales específicas del campo en lugar de conjuntos de datos genéricos.

Las métricas de rendimiento durante la fase de validación muestran mejoras sustanciales respecto a los modelos base. La arquitectura propuesta alcanzó una Precisión Promedio (AP) del 59,14%. Esto supera al modelo estándar RT-DETR-r18, que registró una AP del 56,68%. Lo más importante es que el nuevo modelo destaca en la detección de objetos pequeños. Logró una AP para objetos pequeños del 52,06%, frente al 44,88% del modelo base. Los estudios de ablación confirmaron además que la combinación del nivel de resolución P2 y el componente SBA_fused contribuyó significativamente a estas ganancias. Esto elevó la precisión promedio al 58,33% a través de múltiples semillas.

Aunque el modelo mostró resultados sólidos en el conjunto de validación privado, es necesario verificar su capacidad de generalización en escenas independientes en el futuro. En el benchmark público STN PLAD, el modelo alcanzó una AP del 37,53%. Este resultado fue inferior al rendimiento del modelo base RT-DETR-r18, que obtuvo un 44,18%. Esta discrepancia resalta los desafíos de transferir datos de entrenamiento especializados a entornos más amplios y diversos. Sin embargo, la utilidad práctica del sistema es evidente en su velocidad de procesamiento. Al ejecutarse en una GPU NVIDIA GeForce RTX 3090, el flujo de trabajo de entrada de archivos de escritorio opera a aproximadamente 14,94 fotogramas por segundo. Esto lo hace viable para aplicaciones de inspección en tiempo real o casi en tiempo real.

Este avance marca un paso significativo hacia la automatización del mantenimiento de las redes eléctricas. Al reducir la dependencia de las revisiones visuales manuales y proporcionar una localización automatizada precisa de las características estructurales críticas, esta tecnología promete mejorar la seguridad y la eficiencia de las redes de transmisión de energía en todo el mundo. A medida que la infraestructura de las redes envejece a nivel mundial, herramientas de diagnóstico impulsadas por IA se volverán cada vez más esenciales para prevenir fallos y garantizar un suministro energético ininterrumpido.