Mapeamento de linhas de transmissão por segmentação semântica de nuvens de pontos obtidas por LiDAR a bordo de RPAS

Abstract

Resumo: O progresso da sociedade moderna está intrinsecamente ligado à energia elétrica, impulsionando o constante avanço do setor elétrico para atender às crescentes demandas. No entanto, a integração das redes de distribuição de energia demanda investimentos em automação e monitoramento para garantir sua eficiência e sustentabilidade, enfrentando desafios na implantação e inspeção de ativos, especialmente em locais remotos e de difícil acesso. Nesse cenário, tecnologias como LiDAR e sensores em RPAS têm desempenhado um papel importante ao revolucionar o mapeamento tridimensional, oferecendo alta resolução e precisão. O LiDAR não apenas é utilizado em topografia e monitoramento ambiental, mas também na energia eólica e solar, facilitando a seleção de locais para parques eólicos, otimizando a instalação de aerogeradores e identificando áreas ideais para a instalação de painéis solares, contribuindo para a eficiência energética. A combinação de RPAS com LiDAR tornou viável a coleta de dados em áreas remotas e acidentadas, beneficiando diversos setores, incluindo topografia, planejamento urbano, monitoramento ambiental e a indústria de energia. No entanto, as nuvens de pontos obtidas por RPAS exigem um processo adicional de classificação, envolvendo a atribuição de rótulos com base em características geométricas e aprendizado de máquina, para identificar elementos como torres, postes e cabos. Nesse sentido, a segmentação semântica, aliada ao uso de aprendizado profundo como redes neurais convolucionais, permitiu uma análise mais precisa dessas feições, detectando e classificando cabos e torres em linhas de transmissão de energia de forma automática. Portanto, este estudo desenvolveu uma metodologia para a segmentação semântica de nuvens de pontos, utilizando o algoritmo PointNet++ para detectar e classificar elementos em linhas de transmissão de energia elétrica, com dados provenientes de um sistema LiDAR embarcado em RPAS. Estratégias foram propostas para lidar com a grande quantidade de pontos, permitindo o processamento incremental e eficiente dos dados. Os resultados mostraram uma acurácia média de 86,61%, com destaque para a precisão na classificação de cabos (93,06%). Embora a identificação das torres tenha apresentado um desempenho razoável (F1-score de 72,38%), a classificação dos cabos foi bastante satisfatória (F1-score de 90,09%). Essa metodologia pode oferecer vantagens significativas para o setor elétrico, possibilitando uma gestão mais eficiente das redes de energia, otimizando o planejamento de expansão e reduzindo custos operacionais

Abstract: The progress of modern society is inherently linked to electric power, driving the constant advancement of the electrical sector to meet growing demands. However, integrating power distribution networks requires investments in automation and monitoring to ensure their efficiency and sustainability, facing challenges in asset deployment and inspection, especially in remote and inaccessible locations. In this scenario, technologies like LiDAR and RPAS sensors have played a crucial role in revolutionizing three-dimensional mapping, offering high resolution and accuracy. LiDAR is not only used in topography and environmental monitoring but also in wind and solar energy, facilitating site selection for wind farms, optimizing wind turbine installation, and identifying ideal areas for solar panel installation, contributing to energy efficiency. The combination of RPAS with LiDAR has made data collection feasible in remote and rugged areas, benefiting various sectors including topography, urban planning, environmental monitoring, and the energy industry. However, point clouds obtained by RPAS require an additional classification process, involving labeling based on geometric features and machine learning, to identify elements such as towers, poles, and cables. Semantic segmentation, coupled with deep learning techniques like convolutional neural networks, has enabled a more precise analysis of these features, automatically detecting and classifying cables and towers in power transmission lines. Therefore, this study developed a methodology for semantic segmentation of point clouds, using the PointNet++ algorithm to detect and classify elements in electrical transmission lines, with data from a LiDAR system embedded in RPAS. Strategies were proposed to handle the large number of points, allowing for incremental and efficient data processing. The results showed an average accuracy of 86.61%, with a highlight on the precision in cable classification (93.06%). Although tower identification showed reasonable performance (F1-score of 72.38%), cable classification was highly satisfactory (F1-score of 90.09%). This methodology could offer significant advantages for the electrical sector, enabling more efficient management of energy networks, optimizing expansion planning, and reducing operational costs.