Inteligência Artificial transforma a inspeção de isoladores em redes elétricas

Foi feito um progresso notável na automação da detecção de falhas em isoladores de linhas de transmissão de alta tensão com a criação do sistema AE-YOLO. Este novo framework, que se vale de imagens obtidas por drones, visa resolver problemas como o desequilíbrio entre classes e a variação de escala, que frequentemente dificultam a identificação precisa de defeitos.

O AE-YOLO utiliza autoencoders leves dentro de uma rede piramidal de recursos, assegurando que informações cruciais sobre anomalias sejam mantidas durante a fusão de dados em diferentes escalas. Para aprimorar a distinção das características e minimizar interferências provenientes do fundo, são incorporados módulos de atenção convolucional ao longo da estrutura do sistema. Além disso, o modelo apresenta uma técnica de regularização com autoencoder que visa maximizar a variância, promovendo representações latentes mais diversificadas e eficazes quanto à identificação de defeitos.

No processo de treinamento, o sistema adota uma meta unificada que combina perdas focais, interseção sobre união completa (CIoU) e regularização via autoencoder. Essa estratégia corrige o desbalanceamento entre os elementos em primeiro plano e o fundo, resultando em melhorias na precisão da localização dos defeitos. Já na fase de inferência, a fusão das caixas ponderadas integra previsões oriundas de diferentes versões do YOLO, aumentando a sensibilidade para categorias menos frequentes de falhas por meio de um mecanismo guiado por autoencoders que reforça a confiança nas previsões.

Os testes realizados com um conjunto específico para detecção de defeitos em isoladores mostraram que o AE-YOLO, utilizando como espinha dorsal o EfficientNetV2, atingiu impressionantes 95,10% em mAP a 0,5, além de 96,40% na precisão e 93,80% no recall. Esses resultados superam em 5 pontos percentuais o melhor baseline anterior da família YOLO em mAP a 0,5 e também excedem em 6,7 pontos no recall, evidenciando a eficácia e versatilidade do framework.

Esse modelo surge como uma alternativa prática e escalável para a inspeção e monitoramento das falhas em linhas de transmissão utilizando drones, conforme descrito no estudo publicado no arXiv.