Uma abordagem neural na identificação de objetos em imagens para auxilio na manutencão de rede elétrica

• Regis Yuri Olivo UTFPR
• Pedro Luiz de Paula Filho UTFPR
• Arnaldo Candido Junior UTFPR

DOI: https://doi.org/10.5753/sibgrapi.est.2020.13006

Resumo

Problemas causados pelas redes de distribuicão de energia elétrica podem gerar grandes prejuízos a empresas e pessoas, com perdas de matéria prima, danos em equipamentos ou até descarga elétrica podendo levar um individuo à óbito. Com o objetivo de ajudar nas inspeções para manutenção desses componentes que são feitas manualmente, este projeto propõem uma abordagem neural na identificacão de objetos em imagens capturadas por drones para auxiliar na manutenção das redes elétrica. Para tanto, foi feito o treinamento de uma rede neural artificial (RNA) Darknet-53 do YOLOv3 no framework Tensorflow, permitindo a classificação e detecção, em tempo real, de componentes presentes nas redes de distribuição de energia. Foram definidas sete classes de objetos, e obteve-se 84,16% de precisão de variação média (mAP).

Palavras-chave: deep learning, neural networks, object detection.

Referências

E. Martinho, Distúrbios da Energia Elétrica. Saraiva Educação S.A., 2009. [Online]. Available: https://books.google.com.br/books?id= CYywDwAAQBAJ

S. M. Deckmann and J. A. Pomilio, Avaliação da Qualidade da Energia Elétrica. Departamento de Sistemas e Energia (DSE), 2018. [Online]. Available: http://www.dsce.fee.unicamp.br/∼antenor/pdffiles/ qualidade/a1.pdf

A. R. S. Enriquez, "Diagnóstico de falhas em transformadores de potência através de análise de gases dissolvidos usando rede neural artificial," Master’s thesis, Universidade Federal do Maranhão, Centro de Ciências Exatas e Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica, São Luís, 2020.

E. Oroski, "Identificação de falhas em espaçadores de linhas de transmissão utilizando visão estéreo e redes neurais artificiais," Master’s thesis, Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Brasília, 2011.

M. O. Yuri, "Detecção automática de problemas elétricos por meio da análise computacional de imagens térmicas," Master’s thesis, Centro Universitário FEI, Programa de Pós-Graduação Stricto Sensu em Engenharia Elétrica, São Bernardo do Campo, 2019.

M. Mendonça, M. A. F. Finocchio, and L. F. M. Gonçalves. (2020, Jul.) Redes neurais artificiais aplicadas no auxílio de diagnóstico de falhas em transformadores.

M. Abadi, A. Agarwal, P. Barham, E. Brevdo, Z. Chen, C. Citro, G. S. Corrado, A. Davis, J. Dean, M. Devin, S. Ghemawat, I. J. Goodfellow, A. Harp, G. Irving, M. Isard, Y. Jia, R. Józefowicz, L. Kaiser, M. Kudlur, J. Levenberg, D. Man´e, R. Monga, S. Moore, D. G. Murray, C. Olah, M. Schuster, J. Shlens, B. Steiner, I. Sutskever, K. Talwar, P. A. Tucker, V. Vanhoucke, V. Vasudevan, F. B. Vi´egas, O. Vinyals, P. Warden, M. Wattenberg, M. Wicke, Y. Yu, and X. Zheng, "Tensorflow: Large-scale machine learning on heterogeneous distributed systems," CoRR, vol. abs/1603.04467, 2016. [Online]. Available: http://arxiv.org/abs/1603.04467

S. H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. D. Reid, and S. Savarese, "Generalized intersection over union: A metric and A loss for bounding box regression," CoRR, vol. abs/1902.09630, 2019. [Online]. Available: http://arxiv.org/abs/1902.09630

J. Redmon, S. K. Divvala, R. B. Girshick, and A. Farhadi, "You real-time object detection," CoRR, vol. only look once: Unified, abs/1506.02640, 2015. [Online]. Available: http://arxiv.org/abs/1506. 02640

G. A. d. L. Freitas, "Aprendizagem profunda aplicada ao futebol derobos: Uso de redes neurais convolucionais para detecção de objetos," Master’s thesis, Universidade Estadual de Londrina, Universidade Estadual de Londrina Centro de Tecnologia e Urbanismo, Departamento de Engenharia Eletrica, Londrina, 2019.