Algoritmos de processamento digital de imagens para rastreamento de linhas de transmissão de energia

High power power transmission lines are of great importance for the functioning of all sectors of society. To guarantee the reliability and availability of the energy supply, regular and occasional inspections are carried out, always manually. These inspections seek to identify anomalies in the transmission network and signs of danger to structures. Unmanned aerial vehicles, popularly known as drones, have been increasingly employed in repetitive and tedious activities, due to their low cost and increased safety, and can be applied to tracking these structures. However, the variety of environments and towers, error in location measurements, and high cost are difficult obstacles to overcome for accurate and quality inspection. The main objective of this work is to study, develop and compare real-time image processing techniques to determine movements to be performed by the drone in trajectory correction, and thus perform a tracking of transmission lines with high precision and low cost. Several solutions are found in the literature, and are located and systematically reviewed in this study. Regarding the analysis of the hardware line, controller boards and frameworks were compared, as well as ground station and simulator software, with the main focus on image processing using edge detector, deep learning and reinforcement learning. Furthermore, in relation to the training of networks, a dataset was made for identifying lines, and another for actions to be performed. Also, in order to evaluate the solution’s performance, a realistic virtual scenario based on a real route was produced. In short, a system based on a prototype equipped with two quadricopter drones equipped with only a camera and a computer, working in conjunction with a cooperative algorithm and deep learning image processing, resulted in a brief tracking in a power transmission line, simulating an inspection in a real environmentAs linhas de transmiss˜ao de energia de alta potˆencia s˜ao de grande importˆancia para o funcionamento de todos os setores da sociedade. Para garantir a confi abilidade e disponibilidade do fornecimento de energia, s˜ao realizadas inspe¸c˜oes regulares e ocasionais, em geral, de forma manual. Essas inspe¸c˜oes procuram identificar anomalias na rede de transmiss˜ao e sinais de perigo `as estruturas. Ve´ı culos a´ereos n˜ao tripulados, popularmente conhecidos como drones, tˆem sido cada vez mais empregados em atividades repetitivas e tediosas, devido ao baixo custo e aumento na seguran¸ca, e podem ser aplicados ao rastreamento dessas estruturas. Contudo, a variedade de ambientes e torres, erro nas medi¸c˜oes da localiza¸c˜ao, e alto custo s˜ao obst´aculos dif´ıceis de superar para realiza¸c˜ao com exatid˜ao e quali dade da inspe¸c˜ao. Este trabalho tem como principal objetivo estudar, desenvolver e comparar t´ecnicas de processamento de imagens em tempo real para determi nar movimentos a serem executadas pelo drone na corre¸c˜ao da trajet´oria, e assim, executar um rastreamento das linhas de transmiss˜ao com alta precis˜ao e baixo custo. Diversas solu¸c˜oes s˜ao encontradas na literatura, e est˜ao localizadas e re visadas de forma sistem´atica neste estudo. A respeito das an´alises na linha de hardware, foram comparadas placas controladoras e frameworks, al´em dos softwa res de esta¸c˜oes de solo e simuladores, com principal enfoque no processamento de imagens usando detector de bordas, aprendizado profundo e aprendizado por re for¸co profundo. Ademais, em rela¸c˜ao ao treinamento das redes, foi confeccionado um dataset para identifica¸c˜ao de linhas, e outro para a¸c˜oes a serem executadas. Outrossim, com o intuito de avaliar o desempenho da solu¸c˜ao, um cen´ario virtual realista baseado em um percurso real foi produzido. Em suma, um sistema baseado em um prot´otipo aparelhado com dois drones quadric´optero equipados apenas com uma cˆamera e um computador, trabalhando em conjunto com um algoritmo coo perativo e processamento de imagem por aprendizado profundo, resultou em um breve rastreamento em linha de transmiss˜ao de energia, simulando uma inspe¸c˜ao em ambiente real