Metodologia Baseada em IA e Visão Computacional para Detecção e Análise de Danos em Aerogeradores

• Autor(a) principal: Marques, Lucas Torres
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/55910
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Manutenção em aerogeradores; Visão Computacional; You Only Look Once; Segment Anything Model; Detecção de objetos; Segmentação de objetos

O setor eólico brasileiro é vital para a matriz energética e o desenvolvimento sustentável, com a previsão de alcançar 44,78 GW de capacidade instalada até 2028. Desafios significativos na operação e manutenção exigem tecnologias avançadas de monitoramento e análise para otimizar a eficiência energética e manter a sustentabilidade. Neste contexto, a aplicação de técnicas avançadas de visão computacional, como os modelos You Only Look Once (YOLO) e Segment Anything Model (SAM), oferece uma solução promissora para detecção automática e em tempo real, e segmentação de danos e sujeiras nas superfícies externas dos aerogeradores, através de imagens de alta resolução retiradas por VANTs. Dito isto, este trabalho tem como objetivo propor uma metodologia baseada em visão computacional, através do treinamento e validação de quatro arquiteturas do modelo YOLOv8, para a detecção de sujeiras e danos em tempo real, e a aplicação do modelo SAM para a segmentação das imagens anotadas pelo melhor modelo YOLOv8, utilizando-se da linguagem Python, do ambiente de desenvolvimento do Google Colaboratory e a ferramenta de pré-processamento de imagens Roboflow. As arquiteturas do modelo YOLOv8 foram treinadas em cima do conjunto de dados YOLO Annotated Wind Turbine Surface Damage. Os resultados obtidos mostram que os modelos YOLOv8-Nano e YOLOv8-Small se ajustaram melhor ao problema, que os modelos YOLOv8-Medium e YOLOv8-Large. Dentre todos os modelos, o YOLOv8-Small foi o que mais se destacou, obtendo um mAP50 de 0,903 para classe Sujeira, 0,755 para a classe Dano e 0,829 no total, com uma velocidade de 148 FPS. Para a segmentação, o SAM obteve um resultado satisfatório na segmentação dos danos e abaixo do esperado na segmentação das sujeiras. Desta forma, pode-se concluir que a metodologia proposta pode ser aplicada apenas para a detecção e segmentação de danos nas superfícies externas de aerogeradores, uma vez que para a classe sujeira, apenas a detecção se mostrou eficiente.