Controlled Infrared Thermography Dataset for Quantitative Nondestructive Evaluation of Electrical Cable Thermal States

Imagina que eres un detective intentando resolver un misterio, pero en lugar de buscar huellas dactilares o pisadas, buscas calor. En el mundo de la ingeniería eléctrica, los cables y conductores son los trabajadores silenciosos que mantienen nuestras luces encendidas y nuestros dispositivos funcionando. A veces, estos cables se calientan demasiado, lo cual puede ser una señal de problemas como una conexión suelta o un flujo excesivo de electricidad a través de ellos. Si no detectamos esto a tiempo, podría provocar un incendio o un apagón. Para detectar estos problemas de calor sin cortar la energía o tocar los cables, los ingenieros utilizan un tipo especial de cámara llamada cámara infrarroja. Piensa en ella como un par de gafas que te permiten ver el calor invisible que irradia de los objetos, convirtiendo las diferencias de temperatura en imágenes coloridas.

Durante mucho tiempo, los científicos han intentado enseñar a las computadoras a mirar estas imágenes de calor y decir automáticamente: "¡Oye, ese cable se está calentando demasiado!" o "Ese está perfectamente bien". El problema es que la mayoría de las imágenes que tenemos hasta ahora son un poco desordenadas. Pueden haber sido tomadas en diferentes lugares, con la cámara en diferentes ángulos, o solo muestran cables que están o muy fríos o ardiendo. La vida real, sin embargo, rara vez es tan blanca o negra. Los cables suelen calentarse lentamente, permanecer calientes durante un tiempo y luego enfriarse gradualmente. Para construir un detective informático verdaderamente inteligente, necesitamos un conjunto de datos que capture estos momentos intermedios, tomados bajo reglas estrictas y controladas para que cada foto sea justa y comparable.

Esto es exactamente lo que ha creado Hidir Selcuk Nogay, de la Universidad de Bursa Uludag. El investigador construyó una colección especial y altamente organizada de 628 imágenes infrarrojas de cables eléctricos, diseñada para ser el "manual de entrenamiento" definitivo para programas informáticos. El objetivo fue alejarse de la simple búsqueda de emergencias extremas y, en su lugar, crear un conjunto de datos que capture el ciclo de vida completo de la temperatura de un cable.

Para crear esta colección, el investigador estableció un experimento de laboratorio controlado. Utilizó una posición de cámara fija, suspendida a unos 50 cm sobre los cables, para asegurar que cada foto fuera tomada exactamente desde el mismo ángulo. También controló el entorno para mantener la temperatura de fondo constante y eliminó reflejos confusos. Luego, probó tres formas diferentes de disponer los cables: rectos como una regla, doblados en forma de U y enrollados como un resorte. Esto se hizo porque la forma de un cable cambia la manera en que el calor se propaga a través de él, tal como una manta arrugada te mantiene más caliente que una plana.

La verdadera magia de este conjunto de datos, sin embargo, reside en los cuatro "estados térmicos" específicos o capítulos de la historia del cable que fueron capturados:

1. Frío: El cable está simplemente ahí, sin hacer nada, a su temperatura ambiente normal.
2. Tibio: El cable ha sido calentado durante 20 segundos. Está empezando a calentarse, pero todavía está en las primeras etapas de calentamiento.
3. Caliente: El cable ha sido calentado durante 60 segundos. Ha alcanzado una temperatura alta y constante, representando un estado de estrés total.
4. Enfriamiento: Se apagó el calentamiento y se permitió que el cable se asentara durante 40 segundos mientras perdía su calor lentamente.

Al incluir las etapas de "Tibio" y "Enfriamiento", el conjunto de datos captura los momentos complicados e intermedios donde la temperatura está cambiando gradualmente. Esto es crucial porque, en el mundo real, un cable no pasa instantáneamente de frío a caliente; transita a través de estas fases intermedias.

Para probar si este nuevo conjunto de datos realmente funciona, el investigador realizó un experimento sencillo utilizando una herramienta de visión por computadora estándar (un tipo de IA llamado GoogLeNet) para ver si podía distinguir los cuatro estados diferentes. Los resultados fueron impresionantes: la computadora identificó correctamente el estado térmico del cable el 98.95% de las veces. Esta puntuación tan alta sugiere que la forma controlada en que se tomaron las fotos creó patrones muy claros y distintos para que la computadora aprendiera.

Curiosamente, la computadora cometió algunos errores pequeños, principalmente confundiendo el estado "Tibio" con el estado "Caliente". El artículo explica que esto no es un fallo del conjunto de datos, sino que es, de hecho, una señal de que el conjunto de datos es realista. Dado que "Tibio" y "Caliente" son solo pasos en un proceso de calentamiento continuo, tiene sentido físico que se vean muy similares entre sí. El conjunto de datos preservó con éxito este solapamiento natural, que es exactamente lo que un buen instrumento de entrenamiento debería hacer. Por otro lado, los estados "Frío" y "Enfriamiento" fueron perfectamente distintos, demostiendo que la computadora podía notar la diferencia entre un cable que nunca fue calentado y uno que se estaba enfriando después de haber estado caliente.

En resumen, este artículo no solo ofrece una nueva forma de reparar cables; ofrece un nuevo, de alta calidad y equitativo conjunto de ejemplos para que los científicos los utilicen. Llena un vacío en el mundo de la investigación al proporcionar una colección de imágenes reproducible y equilibrada que incluye los cambios sutiles y graduales de temperatura, no solo las emergencias extremas. Esto otorga a los investigadores una base sólida para construir sistemas más eficaces y fiables para la monitorización de la seguridad eléctrica en el futuro.