Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.200
Aluno: Felipe de Melo Battisti
Orientador: Prof. Francisco Paulo Magalhães Simões
Coorientadora: Profa. Veronica Teichrieb
Título: Addressing Real-World Variability in Power Line Inspections with Unsupervised Visual Anomaly Detection
Data: 30/06/2025
Hora/Local: 13h – Virtual – Interessados em assistir entar em contato com o aluno
Banca Examinadora:
Prof. Flávio Arthur Oliveira Santos (UFPE / Centro de Informática)
Prof. Alexandre Cardoso (UFU / Faculdade de Engenharia Elétrica )
Prof. Francisco Paulo Magalhães Simões (UFPE / Centro de Informática)
RESUMO:
A detecção visual de anomalias em infraestruturas de transmissão de energia elétrica é fundamental para prevenir falhas críticas e garantir a confiabilidade da rede. À medida que essas redes se expandem para regiões remotas e complexas, inspeções manuais tradicionais enfrentam desafios operacionais, como alto custo, riscos à segurança e baixa escalabilidade. Embora métodos recentes de inspeção visual automatizada baseados em deep learning apresentem avanços, a maioria é avaliada em cenários controlados, o que limita sua eficácia em aplicações reais.
O problema central abordado neste trabalho é a baixa capacidade de generalização de modelos não supervisionados de detecção de anomalias quando aplicados a imagens aéreas obtidas em condições reais de inspeção. Modelos supervisionados exigem grandes volumes de dados anotados com falhas raras e variadas—algo impraticável nesse domínio. Por isso, métodos não supervisionados, que aprendem apenas a partir de dados normais, são mais viáveis, mas enfrentam dificuldades ao lidar com ruído de fundo, variações de iluminação e anomalias sutis.
Este trabalho demonstra que a integração de mecanismos de atenção e técnicas de remoção de fundo pode aprimorar significativamente a detecção de anomalias em cenários não controlados. Para isso, foi desenvolvido o InsPLAD-seg, um novo conjunto de dados com anotações em nível de pixel de falhas reais. Além disso, foram aplicados módulos de atenção (SENet e CBAM) e segmentação por objetos utilizando YOLO, com o objetivo de refinar a extração de características e reduzir interferências visuais. Os resultados mostram que a combinação de atenção e remoção de fundo melhora consistentemente os escores de AUROC em níveis de imagem e pixel, com destaque para a detecção de corrosões e pequenas falhas. Modelos como RD++ e DifferNet, aprimorados com atenção, alcançaram desempenho de ponta, enquanto a remoção de fundo aumentou a robustez frente à variabilidade visual.
Esses achados reforçam que mecanismos de atenção e pré-processamentos que simulam condições controladas são essenciais para aproximar os modelos de detecção do uso prático em campo. Ao modelar diretamente anomalias em inspeções reais, esta abordagem contribui para sistemas de monitoramento mais robustos e escaláveis.
Este trabalho viabiliza a aplicação prática de modelos de detecção de anomalias em ambientes ruidosos, nos quais precisão e escalabilidade são requisitos críticos.
Palavras-chave: detecção de anomalias, transmissão de energia, aprendizado não supervisionado, segmentação semântica, deep learning, mecanismos de atenção, inspeção industrial.
Comentários desativados