XXX LA CROIX

Após finalizar os testes e entrega do primeiro protótipo do sistema à empresa distri- buidora, foi considerado o início da segunda fase do projeto, na qual serão feitas muitas me- lhorias que não foram consideradas na primeira fase.

Seguindo a metodologia de etapa online-offline no sistema, está sendo avaliado modi- ficar o arranjo de câmeras no veículo de inspeção para assim assegurar o registro de 360 graus na hora da coleta. Neste sentido, a etapa offline será a responsável por resumir e descartar dados prescindíveis para o eficaz uso do sistema por parte dos usuários do sistema. Ainda mais neste caso em que a quantidade de dados descartados será maior por serem registros de 360 graus.

Embora na primeira fase o reconhecimento de postes tenha sido sobre dados forneci- dos pela câmera ótica, na segunda fase se desenvolverá um detetor de postes sobre a imagem térmica. Isso entregará ao sistema a possibilidade de realizar inspeções em horário noturno. Assim, considerando que os dados térmicos são fornecidos em 16 bits, será necessário desen- volver um sistema automático de ajuste contraste de imagem como camada de pré- processamento da rede neural.

Nesse sentido, se deixará de usar redes de detecção de objeto e se avaliará o uso de re- des mais complexas como redes de segmentação semântica. Isso significa um grande avanço na hora da avaliação termográfica porque será possível saber a forma real de cada elemento antes de ler a dados térmicos e aplicar os limiares de decisão.

Embora na primeira fase, o método de correção Ótica-Térmica, é feito sob uma análise de bordas nas imagens, será desenvolvido um método de matching melhorado considerando dados temporais para a correção. Um dos desafios na primeira fase foi fazer possível compa- rar dados de natureza diferente. Se no processo atual se assume a variável temporal, em vez de comparar as imagens, agora se procurará comparar as mudanças entre registros de cada uma das câmeras, para após uma normalização, conseguir fazer o matching baseado nas vari- ações temporais de cada câmera.

Nos testes do sistema, foi verificado que apareceram muitos casos de reflexos produ- zidos pelo sol (radiação refletiva). Assim, na segunda fase, será adicionada mais uma camada de pós-processamento para filtrar estes casos aproveitando o alto contraste que os reflexos apresentam nas bordas, ao contrário das medições normais onde se apresentam bordas com quedas uniformes de temperatura.

8 PUBLICAÇÕES REFERENTES À TESE

Patentes de Invenção

IANO, Y.; ARTHUR, R.; FAMBRINI, F.; CABELLO, MAZONI, G; RODRIGUEZ, A. A. D.; ZUBEN, J. M. B. V.; CARRARA, E.; CAETANO, D. G.; FERRAREZI. MÉTODO E SISTEMA PARA INSPEÇÃO TERMOGRÁFICA MÓVEL DE REDES DE DISTRIBUI- ÇÃO DE ENERGIA. 2018 Brasil. Patente: Privilégio de Inovação. Número do registro: BR10201801166, título: "MÉTODO E SISTEMA PARA INSPEÇÃO TERMOGRÁFICA MÓVEL DE REDES DE DISTRIBUIÇÃO DE ENERGIA", Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial, Depositante(s): Rangel Arthur; Eduardo Carrara; Yuzo Iano; Frank Cabello; Guilherme Mazoni; Francisco Fambrini; Rosivaldo Ferrarezi; Abel Alejandro Dueñas Rodriguez; João Marcelo Bonturi Von Zuben; Diogo Gará Caetano; Uni- versidade Estadual de Campinas, Depósito: 08/06/2018.

Periódicos publicados em revistas

CABELLO, FRANK C.; IANO, YUZO ; ARTHUR, RANGEL ; DUEÑAS, ABEL ; LEÓN, JULIO ; CAETANO, DIOGO G. . Automatic Detection of Utility Poles Using the Bag of Visual Words Method for Different Feature Extractors. Lecture Notes in Computer Science. 1ed.: Springer International Publishing, 2017, v. 2, p. 116-126.

FAMBRINI, F.; IANO, Y.; SILVA, N. L. M.; CAETANO, D. G.; FERRAREZI, R.; AR- THUR, R.; CABELLO, F.; NALON J. A.; ZUBEM, J. V.; RODRIGUES, A. A.; LEON, J.; MAZONI, G.; Reconhecimento Automático de Elementos da Rede de Distribuição por Meio de Termografia. ELETRICIDADE MODERNA, v. ano 46, p. 22-29, 2018

Trabalhos completos aceitos e publicados em anais de congressos

GARA, D.; FAMBRINI, F.; DUENAS, A.; IANO, Y.; ARTHUR, R. Electrical Components Recognition using LBP and Deep Learning, Osaka, The 12th International Conference on Dig- ital Image Processing, ICDIP, 2020 (Aceito)

GARA, D.; FAMBRINI, F.; DUENAS, A.; IANO, Y.; CANAHUIRE, C; VON ZUBEM, J.; DUENAS, A.; MAZONI, G.; CARRARA, E. Performance Comparison of an AI Solution for Thermographic and Optical Inspection in Electric Distribution Network Using Deep Learning Based Software. San Jose, NVIDIA GPU Technology Conference GTC, 2020

FAMBRINI, F; IANO, Y.; CABELLO, F.; ZUBEM, J. V.; DUENAs, A. A.; ARTHUR, R.; CAETANO, D. G.; FERRAREZI, R.; CARVALHO S.R.M.; MOYA, C.; GRISSI, G.; MA- ZONI. G. Combining Deep Learning and JSEG Cuda Segmentation Algorithm for Electrical Components Recognition, Hong Kong, IEEE International Conference on Computational In- telligence and Applications ICCIA, 2018.

FAMBRINI, F; IANO, Y.; CABELLO, F.; ZUBEM, J. V.; DUENAS, A. A.; ARTHUR, R.; CAETANO, D. G.; FERRAREZI, R.; CARVALHO S.R.M.; MOYA, C.; GRISSI, G.; MA- ZONI. G. Design and Implementation of Automatic Vehicle for Thermographic Inspections in Electric Distribution Network Using Deep Learning Based Software, IEEE International Conference on Computational Intelligence and Applications ICCIA, 2018.

FAMBRINI, F.; IANO, Y.; SILVA, N. L. M.; GARA, D. C.; FERRAREZI, R.; CABELLO, F.; DUENAS, A. A.; LEON, J.; MAZONI, G.; ARTHUR, R. Reconhecimento Automático de Elementos da Rede de Distribuição de Energia por Meio de Imagens Termográficas. In: CI- TENEL-SEENEL - IX Congresso de Inovação Tecnológica em Energia Elétrica, 2017, João Pessoa - PB. IX Congresso de Inovação Tecnológica em Energia Elétrica, 2017.

CABELLO, F.; GARA, D. C.; IANO, Y.; DUENAS, A. A.; LEON, J.; SILVA, N. L. M.; FAMBRINI, F.; FERRAREZI, R.; MAZONI, G.; ARTHUR, R. Detecção automática de pos- tes elétricos em redes de distribuição de energia. In: CITENEL-SEENEL - IX Congresso de Inovação Tecnológica em Energia Elétrica, 2017, João Pessoa - PB. IX Congresso de Inova- ção Tecnológica em Energia Elétrica, 2017.

Apresentação de Trabalhos

CABELLO, F. A. C.; DUENAS, A.; LEON, J.; PAJUELO, D.; IANO, Y. Automatic Detec- tion of Utility Poles using a Supervised SVM Classifier with Histogram Intersection Kernel. 2016. (Apresentação de Trabalho/Simpósio).

REFERÊNCIAS

1STVISION. Lens FOV calculator. Disponível em: <https://www.1stvision.com/lens/fov- lens-calculator>. Acesso em: 10 jun. 2020.

AKHLOUFI, M. A.; BENDADA, A. Fusion of active and passive infrared images for face recognition. Thermosense: Thermal Infrared Applications XXXV, v. 8705, n. May 2013, p. 87050B, 2013.

ALI, A.-R. Deep Learning in Oncology – Applications in Fighting Cancer. Disponível em: <https://www.techemergence.com/deep-learning-in-oncology/>.

AMINI, A.; WAH, Y.; SABOOHI, H. Amini A, Wah TY, Saboohi H. On density-based data streams clustering algorithms: A survey On Density-Based Data Streams Clustering Algorithms: A Survey. Journal of Computer Science and Technology, v. 29, n. 1, p. 116– 141, 2014.

AUER, D. Termografía, guía de bolsillo, 2008.

BAKSAI, K. P. Algoritmo DBScan - Algoritmos de Clustering, 2020. Disponível em: <https://www.coursera.org/lecture/mineria-de-datos-introduccion/algoritmo-dbscan-raWvm>. Acesso em: 23 fev. 2020

BAY, H.; TUYTELAARS, T.; GOOL, L. VAN. SURF: Speeded Up Robust Features. Computer Vision–ECCV 2006, p. 404–417, 2006.

BHATTACHARYYA, S. DBSCAN Algorithm: Complete Guide and Application with Python Scikit-Learn. Disponível em: <https://towardsdatascience.com/dbscan-algorithm- complete-guide-and-application-with-python-scikit-learn-d690cbae4c5d>. Acesso em: 23 fev. 2020.

CALONDER, M. et al. BRIEF: Computing a local binary descriptor very fast. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 34, n. 7, p. 1281–1298, 2012.

CETIN, B.; BIKDASH, M.; MCINERNEY, M. Automated electric utility pole detection from aerial images. Conference Proceedings - IEEE SOUTHEASTCON, p. 44–49, 2009.

CPFL. GED 3584. Brasil: [s.n.].

EKANADHAM, C. Using Machine Learning to Improve Streaming Quality at Netflix. Disponível em: <https://medium.com/netflix-techblog/using-machine-learning-to-improve- streaming-quality-at-netflix-9651263ef09f>.

EVANGELIDIS, G. D.; PSARAKIS, E. Z. Parametric image alignment using enhanced correlation coefficient maximization. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 30, n. 10, p. 1858–1865, 2008.

FAMBRINI, F. Análise do Documento GED 3584 – Grupo CPFL Objetivos deste documento. 2016.

FLIR. Thermal imaging guidebook for industrial applications. FLIR Systems, p. 48, 2011.

FLIR. FOV Calculator. Disponível em:

<https://flir.custhelp.com/app/utils/fl_fovCalc/pn/55001-

0101/ret_url/%252Fapp%252Ffl_download_datasheets%252Fid%252F20>. Acesso em: 10 jun. 2020.

GANDHI, N. Harris Corner Detection and Shi-Tomasi Corner Detection. Disponível em: <https://medium.com/pixel-wise/detect-those-corners-aba0f034078b>. Acesso em: 29 fev. 2020.

GROMICKO, N.; MCKENNA, J. The History of Infrared Thermography - InterNACHI. Disponível em: <https://www.nachi.org/history-ir.htm#:~:text=The original significance of the,for a new optical material.>. Acesso em: 30 abr. 2018.

HASSAN, M. UL. VGG16 - Convolutional Network for Classification and Detection. Disponível em: <https://neurohive.io/en/popular-networks/vgg16/>. Acesso em: 1 mar. 2020. IANO, Y. et al. Relatorio Acompanhamento MVTS - DE3014. Campinas: [s.n.].

KANOPOULOS, N.; VASANTHAVADA, N.; BAKER, R. L. Design of an Image Edge Detection Filter Using the Sobel Operator. IEEE Journal of Solid-State Circuits, v. 23, n. 2, p. 358–367, 1988.

KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. ImageNet classification with deep convolutional neural networks. Communications of the ACM, v. 60, n. 6, p. 84–90, 24 maio 2017.

MAZONI, G. SISTEMA PARA INTERFACE E DIAGNÓSTICO DE INSPEÇÕES TERMOGRÁFICAS AUTOMATIZADAS POR INTELIGÊNCIA ARTIFICIAL PARA REDES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA. [s.l.] Universidade Estadual de Campinas, 2018.

MCCULLOCH, J.; GREEN, R. Utility pole extraction using vehicle-mounted LIDAR for dynamic line rating. International Conference Image and Vision Computing New Zealand, v. 2017- Decem, p. 1–5, 2018.

MORANTES, Z.; OCHOA, A.; HERNÁNDEZ, A. I. Revista Electrónica de Estudios TelemáticosRevista Electronica de Estuios Telematicos. Zulia: [s.n.].

OUAKNINE, A. Review of Deep Learning Algorithms for Object Detection. Disponível em: <https://medium.com/comet-app/review-of-deep-learning-algorithms-for-object- detection-c1f3d437b852>.

PIZER, S. M. et al. Contrast-Limited Adaptive Histogram Equalization: Speed and Effectiveness Stephen M. Pizer, R. Eugene Johnston, James. Access, 1990.

REDMON, J. et al. You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Anais...IEEE, jun. 2016Disponível em: <http://arxiv.org/abs/1506.02640>

on Computer Vision and Pattern Recognition (CVPR). Anais...IEEE, jul. 2017Disponível em: <https://arxiv.org/abs/1612.08242%0Apapers3://publication/uuid/068EE8C0-2C2B-4DC0- BBCE-9DE4FA46B158>

RUBLEE, E. et al. ORB: An efficient alternative to SIFT or SURF. Proceedings of the IEEE International Conference on Computer Vision, n. November 2011, p. 2564–2571, 2011. SAKMANN, K. Vehicle tracking using a support vector machine vs. YOLO. Disponível em: <https://medium.com/@ksakmann/vehicle-detection-and-tracking-using-hog-features- svm-vs-yolo-73e1ccb35866>. Acesso em: 27 mar. 2017.

SHAHID, M. Convolutional Neural Network - Towards Data Science. Disponível em: <https://towardsdatascience.com/covolutional-neural-network-cb0883dd6529>. Acesso em: 1 mar. 2020.

SHARMA, H. et al. Image Analysis-Based Automatic Utility Pole Detection for Remote Surveillance. 2015 International Conference on Digital Image Computing: Techniques and Applications, DICTA 2015, 2015.

SIMONYAN, K.; ZISSERMAN, A. Very Deep Convolutional Networks for Large-Scale Image Recognition. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, p. 1–14, 4 set. 2014.

SUAREZ, O. D. et al. OpenCV essentials : acquire, process, and analyze visual content to build full-fledged imaging applications using OpenCV. [s.l: s.n.].

SUNDARESON, P. Euclid Labeller. Disponível em: <https://github.com/prabindh/euclid>. TYAGI, D. Introduction to FAST (Features from Accelerated Segment Test). Disponível em: <https://medium.com/analytics-vidhya/introduction-to-fast-features-from-accelerated- segment-test-4ed33dde6d65>. Acesso em: 29 fev. 2020.

VANDENBROUCKE, A. M. Abatement of Volatile Organic Compounds by Combined Use of Non-Thermal Plasma and Heterogeneous Catalysis. n. 1, p. 371, 2015.

VÉLEZ SERRANO, J. F. et al. Vision Por Computador. [s.l: s.n.].

XU, Z.; BAOJIE, X.; GUOXIN, W. Canny edge detection based on Open CV. ICEMI 2017 - Proceedings of IEEE 13th International Conference on Electronic Measurement and Instruments, v. 2018-Janua, n. 1, p. 53–56, 2017.

YAN, W. Y. et al. Automatic extraction of highway light poles and towers from mobile LiDAR data. Optics and Laser Technology, v. 77, p. 162–168, 2016.

APÊNDICE A – ALGORITMO DBSCAN

O agrupamento espacial baseado em densidade de aplicações com ruído ou DBSCAN pelas siglas em inglês (Density-based spatial clustering of applications with noise) é um algo- ritmo de agrupamento de dados proposto por Martin Ester, Hans-Peter Kriegel, Jörg Sander y Xiaowei Xu em 1996. Este algoritmo, ao contrário do algoritmo K-Means, está baseado no princípio de conectar dados dentro do mesmo grupo se esses estão em um mesmo local de densidade, e é tipicamente usado em mapas geográficos como os dados de localização usados do sistema de verificação MVTS. Sendo que para conseguir agrupar os dados só se requer dois dados, o limiar mínimo de vizinhos 𝑀𝑖𝑛𝑃𝑡𝑠, e a distância máxima entre dois pontos 𝐷 para considerar existência de vizinhança(AMINI; WAH; SABOOHI, 2014). Nesse sentido, apresenta uma enorme vantagem por não precisar ser configurado o número de clusters, dado desconhecido no sistema de verificação.

Para conseguir entender como funciona o algoritmo de agrupamentos, é necessário co- nhecer algumas definições:

• Core Object:

Um dado pertence a um Core Object se tem mais ou igual número de vizinhos quanto o parâmetro 𝑀𝑖𝑛𝑃𝑡𝑠, dentro de uma distância 𝐷 mínima; sendo os dois pa- râmetros configurados no início do algoritmo. Neste sentido, um Core Object é um candidato provável a formar um grupo pela alta densidade de dados.

(a) (b)

Figura_AP-A_1 – (a) Exemplo de ponto considerado Core Object para MinPts=3, (b) Exemplo de ponto não considerado Core Object para 𝑀𝑖𝑛𝑃𝑡𝑠=3(BAKSAI, 2020)

• Alcance Direto por Densidade:

Se pode inferir que o objeto 𝐻, da Figura_AP-A_2, é diretamente alcançável por densidade desde um outro objeto 𝑂, se 𝐻 está na vizinhança 𝑅 do objeto O, e se o objeto 𝑂 é considerado um Core Object

Figura_AP-A_2 – Exemplo de Alcance Direto por Densidade(BAKSAI, 2020)

• Alcance por Densidade:

Se pode inferir que o objeto 𝑆, da Figura_AP-A_3, é considerado alcançável por densidade em relação ao objeto O, se existe uma cadeia de objetos 𝑝₁, … 𝑝_𝑛, tais que 𝑂 = 𝑝₁, 𝑆 = 𝑝_𝑛, e 𝑝_𝑖+1, é alcançável por densidade diretamente de 𝑝_𝑖.

Figura_AP-A_3 – Exemplo de Alcance por Densidade(BAKSAI, 2020)

• Conexão por Densidade

Se pode inferir que o objeto 𝑆, da Figura_AP-A_4, está conectado por densidade com o objeto 𝑃 se existe um objeto 𝐻, de tal forma que 𝑆 e 𝑃 estão conectados por densidade ao objeto 𝐻.

Figura_AP-A_4 – Exemplo de Conexão por Densidade(BAKSAI, 2020)

Assim, já definidos os conceitos mais importantes do algoritmo, é possível analisar como o algoritmo aborda a tarefa de agrupamento ou clusterização dos dados.(BHATTACHARYYA, 2019)

1. O algoritmo começa escolhendo um objeto aleatório que não foi visitado e as informações de vizinhança são carregadas

2. Se o objeto contém mais ou igual número de vizinhos que o parâmetro 𝑀𝑖𝑛𝑃𝑡𝑠, numa distância 𝐷, um cluster do grupo é formado. Senão, o objeto é marcado como ruído sendo que no futuro pode ser aderido em um outro grupo. 3. Se a condição anterior é confirmada, o objeto é considerado Core Object, por

tanto todos os pontos da vizinhança são automaticamente aderidos ao grupo. 4. O processo anterior continua até que o grupo com densidade conectada é to-

talmente encontrado

5. O processo é reiniciado com um novo ponto que pode fazer parte de um novo grupo ou ser etiquetado como ruído

Finalmente, após ter analisados iterativamente todos os pontos, o algoritmo conclui as análises e os dados se apresentam etiquetados, sabendo que dependendo da configuração ini- cial do 𝑀𝑖𝑛𝑃𝑡𝑠 e 𝐷, é provável aparecer objetos etiquetados como ruído. Na Figura_AP-A_5 pode ser conferir graficamente o processo de etiquetado baseado em densidade(BAKSAI, 2020). Assim, na Figura_AP-A_5b os objetos aleatoriamente escolhidos que cumprem com a condição de 𝑀𝑖𝑛𝑃𝑡𝑠 são considerados Core Objects. Em consequência, em Figura_AP-A_5c, mediante a definição de Alcance Direto por Densidade, os vizinhos próximos são aderidos aos grupos; para depois, como aparece na Figura_AP-A_5d, pela definição de Alcance por Densi- dade, acabar fusionando os grupos. Finalmente, como aparece na Figura_AP-A_5e, se não são encontrados mais objetos cumprindo os requisitos de 𝑀𝑖𝑛𝑃𝑡𝑠 e 𝐷, o algoritmo acaba a procura e da como resultado dois grupos e alguns objetos considerados como ruído (Figu- ra_AP-A_5f).

(c) (d)

(e) (f)

Figura_AP-A_5 – Processo de agrupamento ou clusterização usando o método DBSCAN(BAKSAI, 2020)

APÊNDICE C – Exemplos de descarte em condições reais

Cidade de Jaguariúna, dia 09-07-2018, alimentador JGA04.

R egi st ro s de ent rad a R egi st ro s r es u lt ant es

Cidade de Campinas, dia 13-07-2018, alimentador CAM24. R egi st ro s de ent rad a R egi st ro s r es u lt ant es

Cidade de Campinas, dia 18-07-2018, alimentador CAM24. R egi st ro s de ent rad a R egi st ro s r es u lt ant es

Cidade de Campinas, dia 19-07-2018, alimentador CAM24. R egi st ro s de ent rad a R egi st ro s r es u lt ant es

Cidade de Sorocaba, dia 24-07-2018, alimentador SIM08. R egi st ro s e n tr ada

R egi st ro s r es u lt ant es

Cidade de Campinas, dia 25-07-2018, alimentador CAM24. R egi st ro s e n tr ada R egi st ro s r es u lt ant es

Cidade de Campinas, dia 27-07-2018, alimentador CAM24. R egi st ro s e n tr ada R egi st ro s r es u lt ant es

Cidade de Campinas, dia 08-08-2018, alimentador CAM24. R egi st ro s e n tr ada R egi st ro s r es u lt ant es

Cidade de Campinas, dia 16-08-2018, alimentador CAM24. R egi st ro s e n tr ada R egi st ro s r es u lt ant es

Cidade de Campinas, dia 31-08-2018, alimentador CAM24. R egi st ro s e n tr ada R egi st ro s r es u lt ant es