| dc.creator | Pereira, Emmanuel Kayo da Silva | |
| dc.date.accessioned | 2026-07-06T16:22:13Z | |
| dc.date.available | 2026-07-06T16:22:13Z | |
| dc.date.issued | 2026-06-09 | |
| dc.identifier.uri | https://repositorio.ifpe.edu.br/xmlui/handle/123456789/2226 | |
| dc.description.abstract | This work proposes the application of Convolutional Neural Networks for the
automated detection of hotspots in electrical power distribution networks using
thermographic images. The methodology adopts a two-stage processing architecture
(Two-Stage Framework): in the first stage, the YOLOv8 algorithm performs the
detection and spatial location of electrical assets—poles, switches, and cable
terminations—; in the second stage, the U-Net network performs pixel-by-pixel
semantic segmentation of the thermal anomalies identified in the segmented
components. The dataset consisted of 500 thermographic images, obtained by a FLIR
camera in a distribution network in the municipality of Belo Jardim (PE), with the
application of data augmentation techniques to increase the sample variability. The | pt_BR |
| dc.format.extent | 33 f. | pt_BR |
| dc.language | pt_BR | pt_BR |
| dc.relation | ALBUQUERQUE, M. A. et al. Comparação entre coeficientes de similaridade e uma
aplicação em ciências florestais. Matemática e Estatística em Foco, [S. l.], v. 4, n.
2, p. 102-114, dez. 2016.
BRITO, Kal-El Basílio. Extração de atributos de fáculas de imagens ultravioletas
de isoladores poliméricos. 2017. 70 f. Dissertação (Mestrado em Engenharia
Elétrica) – Centro de Engenharia Elétrica e Informática, Universidade Federal de
Campina Grande, Campina Grande, 2017.
CAPÍTULO 10: as 10 principais arquiteturas de redes neurais. [S. l.: s. n.], [20--?].
Disponível em: https://www.deeplearningbook.com.br/as-10-principais-arquiteturasde-redes-neurais. Acesso em: 6 maio 2025.
CERDEIRA, F.; VÁZQUEZ, M. D.; COLLAZO, J.; GRANADA, E. Applicability of
infrared thermography to the study of the behaviour of stone panels as
building envelopes. Energy and Buildings, v. 43, n. 8, p. 1845-1851, ago. 2011.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: MIT
Press, 2016. Disponível em: https://www.deeplearningbook.org/. Acesso em: 20 abr.
2025.
HUMA, B. D. Which pooling method is better? Maxpooling vs Minpooling vs
Average Pooling. Medium, [S. l.], 2023. Disponível em:
https://medium.com/@bdhuma/which-pooling-method-is-better-maxpooling-vsminpooling-vs-average-pooling-95fb03f45a9. Acesso em: 21 abr. 2025.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p.
436-444, 2015.
LECUN, Y.; BOTTOU, L.; BENGIO, Y.; HAFFNER, P. Gradient-based learning
applied to document recognition. Proceedings of the IEEE, v. 86, n. 11, p. 2278-
2324, nov. 1998.
QAYYUM, R. Introduction to Pooling Layers in CNN. Towards AI, [S. l.], 15 ago.
2022. Disponível em: https://towardsai.net/p/l/introduction-to-pooling-layers-in-cnn.
Acesso em: 21 abr. 2025.
REDMON, J.; DIVVALA, S.; GIRSHICK, R.; FARHADI, A. You only look once:
unified, real-time object detection. In: IEEE CONFERENCE ON COMPUTER VISION
AND PATTERN RECOGNITION (CVPR), 2016, Las Vegas. Proceedings [...]. Las
Vegas: IEEE, 2016. p. 779-788.
YASEEN, M. What is YOLOv8: an in-depth exploration of the internal features of
the next-generation object detector. arXiv, 2024. Disponível em:
https://arxiv.org/abs/2408.15857. Acesso em: 21 mar. 2026. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject | Termografia Infravermelha | pt_BR |
| dc.subject | Redes Neurais Convolucionais | pt_BR |
| dc.subject | YOLOv8 | pt_BR |
| dc.subject | U-Net | pt_BR |
| dc.subject | Manutenção Preditiva | pt_BR |
| dc.subject | Redes de Distribuição | pt_BR |
| dc.title | Aplicação de redes neurais convolucionais na identificação de pontos quentes em redes de distribuição | pt_BR |
| dc.type | TCC | pt_BR |
| dc.creator.Lattes | http://lattes.cnpq.br/7156337457249964 | pt_BR |
| dc.contributor.advisor1 | Dias, Bruno Albuquerque | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4431221150278796 | pt_BR |
| dc.contributor.referee1 | Farias, Alexandre Manoel de | |
| dc.contributor.referee2 | Brito, Kal-El Basílio | |
| dc.contributor.referee1Lattes | http://lattes.cnpq.br/3509389951374383 | pt_BR |
| dc.contributor.referee2Lattes | http://lattes.cnpq.br/6209621390993225 | pt_BR |
| dc.publisher.department | PEREIRA, Emmanuel Kayo da Silva; DIAS, Bruno Albuquerque. APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS NA INDENTIFICAÇÂO DE PONTOS QUENTES EM REDES DE DISTRIBUIÇÃO. 2026. 33 f. TCC (Bacharelado em Eng. Elétrica) - Instituto Federal de Pernambuco, Campus Pesqueira, Pesqueira, 2026. | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.subject.cnpq | ENGENHARIAS::ENGENHARIA ELETRICA::MEDIDAS ELETRICAS, MAGNETICAS E ELETRONICAS; INSTRUMENTACAO | pt_BR |
| dc.description.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. | pt_BR |
