Jhon Vega Díaz

Dr. Jhon Vega Díaz

Universidad Antonio Nariño, Colombia.
orcid

Research Focus & Metrics

Academic Career Length

7Years (2020-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
31 October 2020 in Sensors
Verified
Journal Article
Open access
PDF file
JDJhon Vega Díaz
Jhon Vega Díaz
Michiel VlaminckMichiel Vlaminck
Michiel Vlaminck
DLDionysios Lefkaditis
Dionysios Lefkaditis
SVSergio Orjuela Vargas
Sergio Orjuela Vargas
HLHiep Luong
Hiep Luong
The installation of solar plants everywhere in the world increases year by year. Automated diagnostic methods are needed to inspect the solar plants and to identify anomalies within these photovoltaic panels. The inspection is usually carried out by unmanned aerial vehicles (UAVs) using thermal imaging sensors. The first step in the whole process is to detect the solar panels in those images. However, standard image processing techniques fail in case of low-contrast images or images with complex backgrounds. Moreover, the shades of power lines or structures similar to solar panels impede the automated detection process. In this research, two self-developed methods are compared for the detection of panels in this context, one based on classical techniques and another one based on deep learning, both with a common post-processing step. The first method is based on edge detection and classification, in contrast to the second method is based on training a region based convolutional neural networks to identify a panel. The first method corrects for the low contrast of the thermal image using several preprocessing techniques. Subsequently, edge detection, segmentation and segment classification are applied. The latter is done using a support vector machine trained with an optimized texture descriptor vector. The second method is based on deep learning trained with images that have been subjected to three different pre-processing operations. The postprocessing use the detected panels to infer the location of panels that were not detected. This step selects contours from detected panels based on the panel area and the angle of rotation. Then new panels are determined by the extrapolation of these contours. The panels in 100 random images taken from eleven UAV flights over three solar plants are labeled and used to evaluate the detection methods. The metrics for the new method based on classical techniques reaches a precision of 0.997, a recall of 0.970 and a F1 score of 0.983. The metrics for the method of deep learning reaches a precision of 0.996, a recall of 0.981 and a F1 score of 0.989. The two panel detection methods are highly effective in the presence of complex backgrounds.

31 July 2020 in Journal of the Science of Food and Agriculture
Verified
Journal Article
Closed access
PDF file
JDJhon Vega Díaz
Jhon Vega Díaz
AAAngelica Piedad Sandoval Aldana
Angelica Piedad Sandoval Aldana
DZDeici Viviana Reina Zuluaga
Deici Viviana Reina Zuluaga

30 October 2023 in Acta Agronomica
Verified
Journal Article
Open access
PDF file
YPYenny Fernanda Urrego Pereira
Yenny Fernanda Urrego Pereira
JLJairo García Lozano
Jairo García Lozano
JDJhon Vega Díaz
Jhon Vega Díaz
AVAlexa Valentina Rodriguez Valencia
Alexa Valentina Rodriguez Valencia
NONataly Quesada Ortíz
Nataly Quesada Ortíz
El cambio climático es uno de los mayores desafíos que enfrenta la humanidad y desde ahora se deben tomar acciones para disminuir sus impactos sobre el medio natural, los sistemas agricolas y la vida futura en el planeta. En la presente investigación se analizó la variación espacio-temporal de la temperatura del aire en el Tolima, Colombia, con el fin de detectar tendencias que evidencien cambio climático y modificaciones en la clasificación climática de Köppen en el departamento. En este trabajo se utilizó una base de datos climatológica integrada por 37 estaciones gestionadas por el Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM). La base de datos se dividió en dos series de tiempo: (1980-1999) y (2000-2020) y se analizó la temperatura, considerando épocas secas y lluviosas y las fases Niño-Niña-Neutro del fenómeno ENSO, con el propósito de identificar patrones de diferencia en la temperatura y clasificación climática entre las series de tiempo. Luego, las tasas de aumento de la temperatura del aire identificadas en zonas particulares del Tolima fueron utilizadas para la construcción de modelos de estimación de la temperatura para los próximos 20 años. El análisis mostró que el 55 % de las estaciones presentan tendencia de aumento de la temperatura, y para los próximos 20 años se proyecta un aumento de la temperatura entre 0.08 °C y 3.25 °C. Este aumento sería más acelerado e intenso que lo previsto por el IDEAM, para el peor escenario se daría un forzamiento radiactivo de 8 W m-2 día-1. Por otra parte, la clasificación de Köppen no cambió para las dos series de tiempo 1980-99 y 2000-20, y tampoco para la serie proyectada 2020-40. Sin embargo, el incremento de la temperatura observado y proyectado sugiere aumento de las tasas de evaporación que podrían aumentar la vulnerabilidad a sequías e incendios forestales en el Tolima.