IA detecta falhas em torres de transmissão e aumenta em 59% a precisão na segurança da rede
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
As redes de energia modernas dependem da confiabilidade da infraestrutura de transmissão elétrica. As inspeções manuais das enormes estruturas de aço continuam sendo trabalhosas e sujeitas a erros humanos. Um recente avanço na tecnologia de visão computacional oferece uma solução transformadora para identificar fragilidades estruturais em torres de alta tensão. Pesquisadores desenvolveram um modelo avançado de inteligência artificial que melhora significativamente a localização das regiões de conexão estrutural superior e inferior. Essas áreas são pontos vitais para avaliações de manutenção e segurança.
A inovação central reside em uma versão modificada da arquitetura Real-Time DEtection TRansformer. O modelo integra um backbone C2f_SHSA_CGLU com mecanismos de atenção codificadora deformável. Ele também apresenta um módulo especializado SBA_fused operando no nível P2 de alta resolução. Essas melhorias técnicas permitem que o sistema processe dados visuais complexos com mais eficácia. O sistema lida com objetos pequenos ou detalhes distantes que costumam passar despercebidos pelos algoritmos de detecção padrão. O estudo utilizou um conjunto de dados privado composto por 818 imagens e mais de 12.500 caixas delimitadoras. Isso garantiu que o modelo fosse treinado em condições realistas específicas do campo, em vez de conjuntos genéricos.
As métricas de desempenho da fase de validação demonstram melhorias substanciais em relação aos modelos de base. A arquitetura proposta alcançou uma Precisão Média (AP) de 59,14%. Isso supera o modelo padrão RT-DETR-r18, que registrou uma AP de 56,68%. Mais importante ainda, o novo modelo se destacou na detecção de objetos pequenos. Ele alcançou uma AP para objetos pequenos de 52,06%, comparado a 44,88% para a linha de base. Estudos de ablação confirmaram que a combinação do nível de resolução P2 e do componente SBA_fused contribuiu significativamente para esses ganhos. Isso elevou a precisão média para 58,33% em múltiplas sementes.
Embora o modelo tenha mostrado resultados fortes no conjunto de validação privado, é preciso observar que a generalização para cenas independentes permanece como uma área para verificação futura. No benchmark público STN PLAD, o modelo alcançou uma AP de 37,53%. Isso foi inferior ao desempenho do RT-DETR-r18 de base, que foi de 44,18%. Essa discrepância destaca os desafios de transferir dados de treinamento especializados para ambientes diversos e amplos. No entanto, a utilidade prática do sistema é evidente em sua velocidade de processamento. Executando em uma GPU NVIDIA GeForce RTX 3090, o pipeline de entrada de arquivos no desktop opera a aproximadamente 14,94 quadros por segundo. Isso o torna viável para aplicações de inspeção em tempo real ou quase em tempo real.
Este avanço marca um passo significativo rumo à automação da manutenção da rede. Ao reduzir a dependência de verificações visuais manuais e fornecer localização automatizada precisa de características estruturais críticas, esta tecnologia promete melhorar a segurança e a eficiência das redes de transmissão de energia globalmente. Conforme a infraestrutura de rede envelhece mundialmente, ferramentas de diagnóstico impulsionadas por IA se tornarão cada vez mais essenciais para prevenir falhas e garantir o fornecimento ininterrupto de energia.