Aplicação de redes neurais convolucionais na identificação de pontos quentes em redes de distribuição
Resumo
Este trabalho propõe a aplicação de Redes Neurais Convolucionais para a detecção
automatizada de pontos quentes (hotspots) em redes de distribuição de energia
elétrica a partir de imagens termográficas. A metodologia adota uma arquitetura de
processamento em dois estágios (Two-Stage Framework): no primeiro, o algoritmo
YOLOv8 realiza a detecção e localização espacial dos ativos elétricos — postes,
chaves e muflas —; no segundo, a rede U-Net executa a segmentação semântica
pixel a pixel das anomalias térmicas identificadas nos componentes recortados. O
conjunto de dados foi composto por 500 imagens termográficas, obtidas por câmera
FLIR em uma rede de distribuição no município de Belo Jardim (PE), com aplicação
de técnicas de aumento de dados para ampliar a variabilidade amostral. Os resultados
demonstraram que o modelo YOLOv8 atingiu precisão média superior a 80% e mAP50
próximo a 0,95, enquanto a U-Net alcançou coeficiente Dice de aproximadamente
0,73 após 100 épocas de treinamento, sem indícios de overfitting. O sistema integrado
mostrou-se capaz de identificar e de limitar com precisão as regiões de anomalia
térmica, validando a viabilidade da abordagem proposta para aplicações de
manutenção preditiva em sistemas elétricos de distribuição. esults demonstrated that the YOLOv8 model achieved an average accuracy greater
than 80% and a mAP50 close to 0.95, while the U-Net achieved a Dice coefficient of
approximately 0.73 after 100 training epochs, with no evidence of overfitting. The
integrated system proved capable of accurately identifying and delineating regions of
thermal anomaly, validating the viability of the proposed approach for predictive
maintenance applications in electrical distribution systems.