Redes neurais convolucionais aplicadas à detecção de defeitos em redes de energia ao longo de linhas ferroviárias

Abstract

Este trabalho apresenta a utilização de uma Rede Neural Convolucional (CNN) chamada YOLO com objetivo de detectar falhas em componentes de redes de distribuição de energia ao longo de uma ferrovia. A ideia principal é acelerar o processo de inspeção que atualmente é realizado de forma manual. Os cenários de falha foram simulados em uma laboratório que contem todas as estruturas que pode sem encontradas em redes de distribuição reais ao longo de ferrovias. Adicionalmente, a CNN pode detectar três tipos de falha: cabo fora do isolador, cabo fora do espaçador, e isolador sem anel de amarração. O laboratório possibilitou a obtenção do dataset utilizado para treinar e testar a CNN. Nesse contexto, se obteve um dataset composto de 708 imagens e respectivas anotações que foram utilizadas no treinamento da rede neural. Considerando que CNNs são redes neurais convolucionais, a etapa de treinamento requer computações envolvendo um conjunto grande parâmetros, demandando o uso de computação paralela. Uma GPGPU (General Purpose Graphical Processing Unit) foi utilizada para executar as etapas de treino e teste em quantidades de tempo factíveis. Os resultados mostram que a arquitetura de CNN alcançou uma precisão de 98% e um MAP de 96.58%.