APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL NA DETECÇÃO DE DEFEITOS EM PARA-RAIOS ATRAVÉS DA ANÁLISE DE TERMOGRAFIAS.

Resumo

Os para-raios de óxido de zinco (ZnO) são essenciais para a proteção de sistemas elétricos contra sobretensões, garantindo a continuidade e 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 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 clássica, Inception, Xception, VGG16 e VGG19, 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.