O desenvolvimento do sistema AE-YOLO marca um progresso relevante na detecção automática de falhas em isoladores de linhas de transmissão de alta tensão. Este framework inovador se utiliza de imagens obtidas por veículos aéreos não tripulados (UAVs) e se propõe a enfrentar desafios como o desequilíbrio entre classes e a variação de escala, que historicamente complicam a identificação precisa de defeitos.
Integrando autoencoders leves em uma rede piramidal de recursos, o AE-YOLO consegue preservar informações cruciais sobre anomalias durante a fusão de dados em diferentes escalas. Para aprimorar a discriminação das características e reduzir interferências do fundo, são empregados módulos de atenção baseados em blocos convolucionais ao longo da estrutura do sistema. Além disso, o modelo apresenta uma estratégia inovadora de regularização com autoencoders que visa maximizar a variância, promovendo representações latentes diversificadas e eficazes na distinção de defeitos.
No processo de treinamento, o sistema utiliza um objetivo unificado que incorpora perda focal, perda CIoU (interseção sobre união completa) e regularização por meio do autoencoder. Essa metodologia ajuda a corrigir o desequilíbrio entre as categorias de primeiro plano e fundo, contribuindo para uma melhor precisão na localização dos defeitos. Durante a fase de inferência, as previsões geradas por diferentes versões do YOLO são combinadas através da fusão de caixas ponderadas, aumentando assim a sensibilidade para categorias raras de falhas mediante um mecanismo guiado por autoencoders que melhora a confiança nas predições.
Os testes realizados utilizando um conjunto específico para detecção de defeitos em isoladores revelaram que o AE-YOLO, ao utilizar uma espinha dorsal denominada EfficientNetV2, alcançou resultados notáveis: 95,10% de mAP a 0,5, 96,40% em precisão e 93,80% em recall. Esses índices superam em 5 pontos percentuais os melhores resultados anteriores da família YOLO no mAP a 0,5 e em 6,7 pontos no recall, evidenciando a eficácia e flexibilidade deste framework.
Portanto, este modelo se apresenta como uma solução prática e escalável para a inspeção e monitoramento de falhas em linhas de transmissão utilizando UAVs, conforme descrito detalhadamente no estudo publicado no arXiv.
