Detecção e classificação de objetos em linhas de distribuição de energia utilizando a CNN YOLOv3

• Milena Lucas dos Santos Fundação Parque Tecnológico Itaipu / UNIOESTE
• Valéria Nines dos Santos Fundação Parque Tecnológico Itaipu
• Claudio Roberto Marquetto Mauricio Fundação Parque Tecnológico Itaipu / UNIOESTE
• Fabiana Frata Furlan Peres UNIOESTE

DOI: https://doi.org/10.5753/latinoware.2020.18617

Resumo

A energia elétrica é algo essencial para todas as áreas de produção. Sendo assim, a condição dos equipamentos é essencial para a distribuição de uma energia de qualidade. Contudo, as redes elétricas se estendem por quilômetros e ainda por trechos de difícil acesso, comprometendo encontrar equipamentos danificados. Neste artigo, apresenta-se uma solução de detecção e classificação de objetos das linhas de distribuição de energia utilizando Redes Neurais Convolucionais. Na primeira etapa do projeto, a CNN foi treinada para detectar e classificar quatro tipos de objetos que fazem parte da rede elétrica. A rede neural artificial selecionada para detectar e classificar os objetos foi a YOLOv3. Para compor o banco de imagens de teste e treinamento, foi utilizado um drone e efetuadas coletas de imagens em 10 locais distintos. Após o treinamento, a CNN alcançou um IoU de 60,38%.

Palavras-chave: YOLOv3, Redes Neurais Convolucionais, Distribuição de energia

Referências

ONS, “Resultados da operação histórico da operação: Extensão das linhas de transmissão,” [link], 2020, online; acessado em 28/07/2020.

H. Pedrini and W. R. Schwartz, Analise de Imagens Digitais : Princípios, Algoritmos e Aplicações , 1st ed. São Paulo, SP, Brasil: Cengage Learning, Agosto 2007.

I. M. Soares, “Uma abordagem bottom-up completa para reconhecimento de atividades humanas em imagens através da pose estimada com redes convolucionais,” M.S. thesis, UFG, Goiânia, Brasil, 2019. [Online]. Available: http://repositorio.bc.ufg.br/tede/handle/tede/10191.

B. H. P. Marques, “Avaliação de algoritmos baseados em deep learning para localizar placas veiculares brasileiras em ambientes complexos.” Pernambuco, Brasil, 2019. [Online]. Available: http://hdl.handle.net/123456789/833.

M. Mazzetto, “Detecção e classificação de múltiplos componentes em linha de montagem automotiva usando deep learning,” M.S. thesis, UTFPR, Pato Branco, PR, Brasil.

T.-Y. LIN, “Focal loss for dense object detection,” Proceedings of the IEEE international conference on computer vision, pp. 2980–2988, 2017.

R. A. P. Martins, “Aplicação de redes convolucionais profundas para detecção de massas em mamografias,” Florianópolis, SC, Brasil.

G. Ribeiro, “Aprimoramento da classificação de isoladores poliméricos por medições termográficas e radiação uv usando processamento de imagens e rna,” M.S. thesis, UFCG, Campina, PB, Brasil, 2017. [Online]. Available: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/494.

W. C. Godoi, R. R. Silva, V. Swinka-Filho, and T. Loddi, “Detecção de defeitos em isoladores poliméricos por meio da radiografia digital e reconhecimento de padrões,” Espaço Energia, Abr. 2005.

G. Santos, “Termografia e inteligência artificial na detecção de falhas em transformadores,” M.S. thesis, UFPE, Recife, PE, Brasil.

F. Vitor, “Classificação de eventos em redes de distribuição de energia utilizando transformada wavelet e modelos neurais autonômos,” Br. Society Neural Net., vol. 8, pp. 93–99, Jan. 2010.

J.Redmon and A. Farhadi, “Yolov3: An incremental improvement.” ArXiv, abr 2018. [Online]. Available: arXiv:1804.02767.

M. H. Scalabrin, “Aplicação de redes neurais artificiais profundas na detecção de placas de pare,” Francisco Beltrão, PR, Brasil, 2019. [Online]. Available: http://repositorio.roca.utfpr.edu.br/jspui/handle/1/13452.

J. Redmon, “Darknet: Open source neural networks in c,” http://pjreddie.com/darknet/, 2013–2016.

V. N. Santos, “Reconhecimento de objetos em uma cena utilizando redes neurais convolucionais.” Medianeira, Brasil, 2018.