Identificação de falhas em espaçadores de linhas de transmissão utilizando visão estéreo e redes neurais artificiais

Abstract

As interrupções no fornecimento de energia ão extremamente indesejáveis nas esferas econômicas e produtivas da sociedade. Para evitá-las são realizados, periodicamente, vários procedimentos de inspeção e manutenção, nas diferentes etapas do processo de transmissão de energia. O objetivo deste trabalho é automatizar o processo de inspeção do estado de conservação das garras espaçadoras dos condutores presentes nas linhas de transmissão. Atualmente, tais inspeções são feitas por meio de sobrevôo das linhas de transmissão por um helicóptero tripulado, a partir do qual é feito um diagnóstico visual do estado das garras espaçadoras. Para automatizar tal processo o LARA/UnB desenvolve um Veículo Aéreo Não Tripulado (VANT), com um par de cameras embarcadas, com o objetivo de percorrer e inspecionar as linhas de transmissão. Uma vez adquirido um par de imagens da garra é realizado um processamento para que se possa obter a imagem tridimensional do contorno da garra separadora. Na seqüência, descritores de tal contorno são repassados à uma Rede Neural, devidamente treinada, para que a garra separadora seja considerada em bom estado,"ok", ou equerendo manutenção,"nok". A aplicação destes métodos é indicada porque os processos de inspeções visuais, realizadas por helicópteros tripulados, além de apresentarem elevados custos econômicos, ficam submetidos à imprecisão da atuação humana. Neste cenário, a automação dos processos de inspeção pode aumentar os índices de disponibilidade energética, minimizando perdas econômicas e interrupções de fornecimento de energia a sistemas críticos. Para a classificação do objeto de inspeção foi escolhida a visão estéreo, pois esta permite calcular as coordenadas 3D para do objeto e a posterior reprojeção dos pontos do mesmo sob uma perspectiva padronizada. Já as redes neurais artificiais foram escolhidas, pois as mesmas são amplamente utilizadas para classificação de padrões. Os resultados das classificações realizadas se mostraram corretos em cerca de 85% dos casos (tendo sido desconsiderados os pares de imagens que falharam nas etapas deteção de bordas ou de correspondência, nestes casos novas imagens foram adquiridas). _______________________________________________________________________________________ ABSTRACT

The electrical energy disruptions are undesirable in the economy and productive areas. In order to avoid them, several procedures for inspection and maintenance are conducted periodically, in various stages of power transmission. This work's objective is to automate the process of examining the state of conservation of metal conductors separating claws present in transmission lines. Currently, such inspections are made by overflight of transmission lines by a manned helicopter, and a visual diagnosis is made regarding the state of the separating claws. To automate this process the LARA/UnB laboratory is developing an unmanned aerial vehicle (UAV) with an embedded pair of video cameras in order to travel and inspect the transmission lines. Once an pair of claw's images is acquired, image processing techniques are used to obtain a tridimensional image of the contour of the separating claw. Following, the boundary descriptors are passed to a properly trained neural network, so the separating claw is classified as being in proper conditions, "ok", or in need of maintenance, "nok". These methods are indicated because the processes of visual inspections performed by manned helicopters, in addition to having high economic costs, are subject to the imprecision of human performance. In this scenario, the automation of inspection processes may increase the rate of energy availability, minimizing economic losses and disruption of power supply to critical systems. For the object's classification was chosen stereo vision, because it allows to calculate the 3D coordinates of the object and the subsequent reprojection of points from a standard perspective. The artificial neural networks were chosen because they are widely used for pattern classification. The test results proved correct classification in about 85 % (disregarding the pairs of images that failed in the step of edge detection or correspondence, in these cases new images were acquired).