TCC - Engenharia Física

URI Permanente para esta coleção

https://dspace.unila.edu.br/handle/123456789/4350
ILACVN - Centro de Ciências da Natureza - Bacharelado em Engenharia Física

Navegar

Navegando TCC - Engenharia Física por Assunto "aprendizado profundo"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Automatic Temperature Extraction from Arresters’ Thermal Images with Artificial Intelligence
    (2023) Moussa, Adel Abdul Karim
    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