Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/25975
Título: Identificação automática de computadores em redes de distribuição urbana de energia elétrica
Título(s) alternativo(s): Automatic identification of computers in urban electricity distribution networks
Autor(es): Olivo, Regis Yuri
Orientador(es): Paula Filho, Pedro Luiz de
Palavras-chave: Aprendizado do computador
Energia elétrica
Redes neurais (Computação)
Inteligência artificial
Machine learning
Electric power
Neural networks (Computer science)
Artificial intelligence
Data do documento: 18-Nov-2020
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Medianeira
Citação: OLIVO, Regis Yuri. Identificação automática de computadores em redes de distribuição urbana de energia elétrica. 2020. Trabalho de Conclusão de Curso (Bacharelado em Ciência da computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2020.
Resumo: Falhas no funcionamento de componentes nas redes de distribuição urbana de energia elétrica podem ocasionar muitos problemas a comércios e residências, assim comprometendo a ordem pública. Algumas falhas são difíceis de se identificar quando não são os cabos. Logo fazer uma identificação de forma rápida, pode ajudar na diminuição de possíveis gastos com equipes e equipamentos para manutenção. Com o intuito de auxiliar na identificação rápida de possíveis falhas em componentes, este trabalho faz uso do aprendizado de máquina para identificar em imagens aéreas capturadas por drones, componentes da rede elétrica. Para tal, foi necessário expandir e aprimorar uma base de imagens disponibilizada pelo Parque Tecnológico Itaipu, rotular todos os componentes contidos na base e treinar duas redes neurais convolucionais (CNNs) Darknet-53 noframeworkYOLOv3 e Faster R-CNN noframework Tensorflow. Abase montada ficou com um total com 1.010 imagens e destas foram rotuladas 5.056 imagensde sete componentes. Foram analisados e comparados os resultados, em que a rede Darknet-53 apresentou uma Precisão de Variação Média em IoU(0.5) de 95,13% e em IoU(0.75) de 61,43%,j ́a a Faster R-CNN apresentou uma Precisão de Variação Média em IoU(0.5) de 88,72% e emIoU(0.75) de 60,71%.
Abstract: Failures in the functioning of components in urban electricity distribution networks can causemany problems for businesses and homes, thus compromising public order. Some faults aredifficult to identify when they are not the cables. Making an identification quickly, can helpin reducing possible expenses with teams and equipment for maintenance. In order to assistin the rapid identification of possible component failures, this work makes use of machinelearning to identify aerial images captured by drones, components of the electrical network. To this end, it was necessary to expand and improve an image base provided by the ItaipuT echnological Park, label all the components contained in the base and train two Darknet-53convolutional neural networks (CNNs) in the YOLOv3 and Faster R-CNN framework in the Tensorflow framework. The assembled base had a total of 1,010 images and of these, 5,056images of seven components were labeled. The results were analyzed and compared, in whichthe Darknet-53 network presented an mean Average Precision in IoU (0.5) of 95.13% and inIoU (0.75) of 61.43%, whereas Faster R-CNN presented an mean Average Precision in IoU(0.5) of 88.72% and in IoU (0.75) of 60.71%.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/25975
Aparece nas coleções:MD - Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
identificacaocomponentesredesdistribuicao.pdf9,75 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.