Actualmente, en países como por ejemplo Colombia la labor de vigilar estas redes y ocuparse de su mantenimiento la hacen manualmente técnicos que recorren largas distancias hasta zonas rurales o boscosas, por lo que la tarea resulta poco eficaz y precisa.

Aunque en Colombia no existe un registro oficial de los problemas técnicos en redes eléctricas causados por la vegetación, se sabe que en otros países en vías de desarrollo y clima tropical como Malasia el 18% de las interrupciones de la electricidad, es decir 1 de cada 5, es producto de la invasión por vegetación.

Según Empresas Públicas de Medellín (EPM), más de 102.000 kilómetros de cableado eléctrico surcan los cielos antioqueños transportando datos y energía, por lo que este problema genera pérdidas millonarias en las empresas de distribución además de molestias entre los usuarios, como los cortes en el suministro de energía, por eso es común que periódicamente se adelanten labores de mantenimiento.

 “No obstante sigue siendo un trabajo manual: los técnicos recorren cientos de kilómetros haciendo inspección visual, que compromete la eficiencia y la precisión de la tarea, máxime si hablamos de lugares de difícil acceso, que en Colombia son bastantes”, explica Mateo Cano Solís, magíster en Ingeniería Analítica de la Universidad Nacional de Colombia (UNAL) Sede Medellín.

Aprovechando las bondades de la ingeniería, el magíster desarrolló una herramienta que mediante imágenes de drones y técnicas de aprendizaje profundo (una modalidad de inteligencia artificial) anticipa y detecta la presencia de vegetación en las líneas de energía.

Primero tomó un conjunto de imágenes (que se traducen en datos) capturadas por drones, las preparó y fusionó para luego ‘entrenar’ con ellas el software para que diferencie automáticamente (sin intervención humana) qué es vegetación, qué es cableado eléctrico o dónde habrá una posible invasión, entre otros factores.

Después sobrevoló con drones (a 30 metros de altura) una vía secundaria de Envigado de 2,4 km. “Digitalizamos las imágenes captadas separándolas con ayuda de un programa fotogramétrico que pinta la vegetación de verde, las líneas eléctricas de rojo –que se interrumpen cuando pasan debajo de la vegetación–, y el fondo de negro. Así, el conjunto de datos quedó con 532 pares de máscaras de imagen, que se utilizaron para los modelos de aprendizaje profundo”.

En definitiva, el investigador entrenó 36 redes neuronales, “enseñándoles” mediante el etiquetado manual qué es cada elemento en una imagen, las cuales mostraron resultados precisos y válidos.

 “Los resultados mostraron una precisión entre el 64 y 78%, obteniendo un rendimiento excelente en la identificación de líneas de energía, lo que garantiza una detección altamente precisa de invasión de vegetación”, destaca.

Además de los resultados favorables y de demostrar que sí es posible crear una herramienta de calidad que automatice estas labores, se diseñó una metodología que se puede emplear con otros conjuntos de imágenes, tomadas en otras zonas del país y en medio de paisajes diversos.

 “Esta investigación propone una solución novedosa y económica ante una problemática que pone en riesgo la confiabilidad del suministro eléctrico, la estabilidad de las finanzas de las empresas y la satisfacción de los usuarios", finaliza.

Para su trabajo de maestría el experto contó con la asesoría de los profesores John Robert Ballesteros Parra y John William Branch Bedoya, de la Facultad de Minas de la UNAL Sede Medellín. (Fuente: Agencia de Noticias UNAL)