Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39718| Título: | Método baseado em imagens para leitura automática de réguas de vertedouro |
| Título(s) alternativo(s): | Image-based method for automatic spillway ruler reading |
| Autor(es): | Schviderski, Alexandre |
| Orientador(es): | Nassu, Bogdan Tomoyuki |
| Palavras-chave: | Usinas hidrelétricas - Monitorização Vertedores - Controle automático Visão por computador Processamento de imagens Aprendizado profundo (Aprendizado do computador) Hydroelectric power plants - Monitoring Spillways - Automatic control Computer vision Image processing Deep learning (Machine learning) |
| Data do documento: | 3-Mar-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | SCHVIDERSKI, Alexandre. Método baseado em imagens para leitura automática de réguas de vertedouro. 2026. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026. |
| Resumo: | As comportas de vertedouro são estruturas críticas em usinas hidrelétricas, exigem monitoramento cuidadoso sempre que são manobradas pois o impacto ambiental que uma manobra errada causa afeta não somente a vida aquática dos rios e possíveis reservatórios a montante e jusante, mas também estruturas críticas como pontes, casas às margens dos rios, balsas e até vidas humanas. Neste trabalho, propõe-se uma abordagem para a inferência automática do valor de abertura das comportas, empregando técnicas de deep learning e de visão computacional clássica em quadros capturados por câmeras comumente utilizadas no monitoramento remoto dessas manobras. Utiliza-se um modelo YOLO11 ajustado por meio de fine-tuning para a detecção dos marcadores numéricos e do ponteiro presentes na cena, possibilitando a obtenção das informações necessárias para estimar a curvatura da régua utilizada na medição da abertura da comporta, retificar a imagem de modo que a régua seja representada de forma vertical e retilínea e refinar a posição da ponta do ponteiro que indica o valor medido. A abordagem proposta foi avaliada em um conjunto de dados contendo 27,194 imagens capturadas sob condições reais de operação por 24 câmeras, abrangendo três diferentes tipos de réguas. Esse conjunto de dados é disponibilizado gratuitamente para fins de pesquisa. O método proposto alcançou um erro mediano absoluto de 6.23 cm em comparação com as anotações de referência (ground truth) da abertura das comportas. Considerando diferentes faixas máximas de abertura, observa-se que o erro absoluto mediano obtido corresponde a aproximadamente 0.54% da escala total para aberturas de até 11.5 m, 0.45% para aberturas de até 14 m e 0.39% para aberturas de até 16 m. Esses resultados indicam que, em termos proporcionais, o desvio da medição diminui à medida que a faixa de operação aumenta, permanecendo inferior a 0.6% do fundo de escala em todos os cenários analisados, evidenciando o potencial da abordagem para auxiliar operadores na realização de manobras remotas por meio de sistemas de monitoramento por câmeras. |
| Abstract: | Spillway gates are critical structures in hydroelectric power plants and require careful monitoring whenever they are operated, since the environmental impact of an incorrect maneuver can affect not only aquatic life in rivers and possible upstream and downstream reservoirs, but also critical structures such as bridges, houses along riverbanks, ferries, and even human lives. In this work, an approach is proposed for the automatic inference of the gate opening value, employing deep learning and classical computer vision techniques on frames captured by cameras commonly used for the remote monitoring of these operations. A YOLO11 model, fine-tuned for the detection of the numeric markers and the pointer present in the scene, is used to obtain the information necessary to estimate the curvature of the measuring scale used to determine the gate opening, rectify the image só that the scale is represented vertically and straight, and refine the position of the pointer tip that indicates the measured value. The proposed approach was evaluated on a dataset containing 27,194 images captured under real operating conditions by 24 cameras, covering three different types of measuring scales. This dataset is made freely available for research purposes. The proposed method achieved a median absolute error of 6.23 cm compared with the reference ground-truth annotations of the gate openings. Considering different maximum opening ranges, the median absolute error of 6.24 cm corresponds to approximately 0.54% of the full scale for openings up to 11.5 m, 0.45% for openings up to 14 m, and 0.39% for openings up to 16 m. These results indicate that, in proportional terms, the measurement deviation decreases as the operating range increases, remaining below 0.6% of full scale in all analyzed scenarios, highlighting the potential of the approach to assist operators in performing remote operations through camera-based monitoring systems. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39718 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Computação Aplicada |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| leiturareguasvertedouroimagens.pdf | 25,9 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
