Please use this identifier to cite or link to this item:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/41133
Title: | Aplicação de técnicas de inteligência artificial na detecção de defeitos em para-raios através da análise de termografias. |
Other Titles: | Application of artificial intelligence techniques in the detection of defects in lightning rods through thermography analysis. |
???metadata.dc.creator???: | CRISPIM, Hebert Santos. |
???metadata.dc.contributor.advisor1???: | VILLAR, Pablo Bezerra. |
???metadata.dc.contributor.referee1???: | SOUZA, Ronimack Trajano de. |
Keywords: | Inteligência Artificial;Máquina de Vetores de Suporte;Redes Neurais Convolucionais;Para-raios;Termografia;Detecção de Defeitos;Artificial Intelligence;Support Vector Machine;Convolutional Neural Networks;Lightning Rods;Thermography;Defect Detection |
Issue Date: | 28-Feb-2025 |
Publisher: | Universidade Federal de Campina Grande |
Citation: | CRISPIM, Hebert Santos. Aplicação de técnicas de inteligência artificial na detecção de defeitos em para-raios através da análise de termografias. 2025. 64 f. Monografia (Bacharelado em Engenharia Elétrica) - Universidade Federal de Campina Grande, Centro de Engenharia Elétrica e Informática, Campina Grande, Paraíba, Brasil, 2025. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/41133 |
???metadata.dc.description.resumo???: | Os para-raios de óxido de zinco (ZnO) são essenciais para a proteção de sistemas elétricos contra sobretensões, assegurando maior confiabilidade das operações. No entanto, é crucial que esses equipamentos estejam sempre em boas condições de funcionamento. Diante disso, há uma crescente demanda por técnicas eficientes de detecção de defeitos, especialmente métodos não invasivos, como a análise de temperatura externa. A termografia se destaca como uma ferramenta poderosa, capaz de identificar variações de temperatura que podem indicar falhas nos para-raios. Este trabalho foca na implementação de classificadores inteligentes através de uma SVM e de redes neurais convolucionais para a classificação de defeitos em para-raios a partir de imagens térmicas. Foram analisadas diferentes arquiteturas de redes neurais, incluindo CNN genérica, VGG19 e Inception, com o objetivo de extrair características das imagens termográficas e identificar para-raios bons e defeituosos. Observou-se que o desempenho das redes é influenciado pela complexidade da arquitetura e pelo tamanho restrito da base de dados, sendo que algumas arquiteturas mais avançadas apresentaram sinais de overfitting. O projeto busca aprimorar essas redes para um melhor desempenho na classificação de defeitos. |
Abstract: | Zinc oxide (ZnO) lightning arresters are essential for protecting electrical systems against overvoltages, ensuring greater operational reliability. However, it is crucial that these devices are always in good working order. Given this, there is a growing demand for efficient fault detection techniques, especially non-invasive methods such as external temperature analysis. Thermography stands out as a powerful tool, capable of identifying temperature variations that may indicate lightning arrester failures. This work focuses on the implementation of intelligent classifiers through an SVM and convolutional neural networks for the classification of lightning arrester defects from thermal images. Different neural network architectures, including generic CNN, VGG19 and Inception, were analyzed with the aim of extracting features from thermographic images and identifying good and defective lightning arresters. It was observed that the performance of the networks is influenced by the complexity of the architecture and the restricted size of the database, with some more advanced architectures showing signs of overfitting. The project seeks to improve these networks for better performance in defect classification. |
Keywords: | Inteligência Artificial Máquina de Vetores de Suporte Redes Neurais Convolucionais Para-raios Termografia Detecção de Defeitos Artificial Intelligence Support Vector Machine Convolutional Neural Networks Lightning Rods Thermography Defect Detection |
???metadata.dc.subject.cnpq???: | Engenharia Elétrica |
URI: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/41133 |
Appears in Collections: | Curso de Bacharelado em Engenharia Elétrica - CEEI - Monografias |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
HEBERT SANTOS CRISPIM-MONOGRAFIA-CEEI-BACHARELADO EM ENGENHARIA ELÉTRICA (2025).pdf | 2.17 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.