Automatic Temperature Extraction from Arresters’ Thermal Images with Artificial Intelligence
Resumo
Os para-raios são fundamentais para garantir a confiabilidade, a economia e a segurança dos sistemas elétricos. Entretanto, a degradação que ocorre naturalmente ao longo do
tempo representa um problema que leva a um desafio ainda em aberto, no qual vários
estudos científicos propuseram e exploraram técnicas inovadoras de diagnóstico. Um novo
método de diagnóstico manual está sendo empregado atualmente em subestações
elétricas. O método emprega uma lógica anotada paraconsistente de dois valores, usando
medições de temperatura por termografia infravermelha e dados de corrente de fuga
resistiva como entrada para uma avaliação precisa da condição do para-raios. Tal método
baseia-se em campanhas de coleta para obter imagens térmicas de para-raios de alta
tensão em operação, exigindo posteriormente a extração manual dos dados de temperatura
máxima e média e suas diferenças (delta) ao longo do eixo principal de cada para-raios por
meio de um software de câmera digital. Nesse contexto, este estudo tem como objetivo
aprimorar e automatizar o diagnóstico de para-raios por meio do cálculo automático da
temperatura delta, introduzindo um novo método, cuja abordagem é baseada em
Inteligência Artificial Deep Learning. O método proposto neste estudo emprega um modelo
de Rede Neural Convolucional de Região de Máscara (Mask R-CNN) para segmentação
dos para-raios a partir da imagem térmica, seguido de um algoritmo para extração de dados
de temperatura dos para-raios, que são usados para diagnóstico de degradação. O
processo de segmentação de para-raios com Mask R-CNN, em imagens térmicas, mostrou se viável, com uma precisão média de 83,85%. A análise comparativa da precisão média
entre o método manual (original) e o método proposto (automatizado), a partir de 195
imagens térmicas processadas, revelou um Erro Percentual Absoluto Médio (MAPE) de
11,48% na temperatura delta, que é usada na análise da degradação do para-raios. Esse
resultado demonstra que o método proposto neste estudo é viável e permite automatizar a
inspeção de para-raios. Investigações futuras consistem em refinar o processo de
segmentação por meio do ajuste fino dos hiperparâmetros e do uso da técnica de validação
cruzada