{"id":{"repo_id":"brazil-uff","oai_identifier":"oai:app.uff.br:1/41741"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-uff/oai:app.uff.br:1/41741","repository":{"repo_id":"brazil-uff","name":"Brazil UFF","base_url":"https://app.uff.br/oai/request"},"display":{"title":"Identificação de ativos de linha de transmissão por imagens de drones","abstract":"Este trabalho busca desenvolver e validar um método automatizado para a identificação e classificação de ativos de linhas de transmissão de energia elétrica, utilizando imagens de alta resolução capturadas por Veículos Aéreos Não Tripulados (VANTs). O objetivo é mitigar os riscos e custos associados às inspeções manuais tradicionais. Para isso, foram implementados e comparados diferentes modelos de aprendizado de máquina capazes de predizer qual ativo está representado na imagem lidando com desafios como fundos complexos e variações de iluminação. A base de dados InsPlad-Det, composta por 13.985 amostras de 17 classes distintas de ativos, foi utilizada para o treinamento e validação dos modelos. A análise comparativa englobou quatro abordagens distintas: a extração de características via Wavelet Scattering utilizando Redes Neurais; a mesma técnica de Wavelet Scattering aplicada a classificadores clássicos (como SVM e KNN e nayve Bayes); uma Rede Neural Convolucional (CNN); e a arquitetura VGG16 utilizando a técnica de transfer learning. Os resultados demonstraram que, embora a VGG16 tenha obtido a maior acurácia absoluta, o modelo deWavelet Scattering com Redes Neurais apresentou o melhor equilíbrio entre precisão e custo computacional.","abstract_html":"Este trabalho busca desenvolver e validar um método automatizado para a identificação e classificação de ativos de linhas de transmissão de energia elétrica, utilizando imagens de alta resolução capturadas por Veículos Aéreos Não Tripulados (VANTs). O objetivo é mitigar os riscos e custos associados às inspeções manuais tradicionais. Para isso, foram implementados e comparados diferentes modelos de aprendizado de máquina capazes de predizer qual ativo está representado na imagem lidando com desafios como fundos complexos e variações de iluminação. A base de dados InsPlad-Det, composta por 13.985 amostras de 17 classes distintas de ativos, foi utilizada para o treinamento e validação dos modelos. A análise comparativa englobou quatro abordagens distintas: a extração de características via Wavelet Scattering utilizando Redes Neurais; a mesma técnica de Wavelet Scattering aplicada a classificadores clássicos (como SVM e KNN e nayve Bayes); uma Rede Neural Convolucional (CNN); e a arquitetura VGG16 utilizando a técnica de transfer learning. Os resultados demonstraram que, embora a VGG16 tenha obtido a maior acurácia absoluta, o modelo deWavelet Scattering com Redes Neurais apresentou o melhor equilíbrio entre precisão e custo computacional.","abstract_has_math":false,"creators":["Andrade, Lucas Côrtes de"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:00:28Z","subjects":[],"languages":["pt_BR"],"rights":["Open Access"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://app.uff.br/riuff/handle/1/41741","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Andrade, Lucas Côrtes de"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-01-08T12:53:20Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-01-08T12:53:20Z"]},{"key":"dc:type","label":"Dc Type","values":["Trabalho de conclusão de curso"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["pt_BR"]},{"key":"dc:rights","label":"Dc Rights","values":["Open Access"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://app.uff.br/riuff/handle/1/41741"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Este trabalho busca desenvolver e validar um método automatizado para a identificação e classificação de ativos de linhas de transmissão de energia elétrica, utilizando imagens de alta resolução capturadas por Veículos Aéreos Não Tripulados (VANTs). O objetivo é mitigar os riscos e custos associados às inspeções manuais tradicionais. Para isso, foram implementados e comparados diferentes modelos de aprendizado de máquina capazes de predizer qual ativo está representado na imagem lidando com desafios como fundos complexos e variações de iluminação. A base de dados InsPlad-Det, composta por 13.985 amostras de 17 classes distintas de ativos, foi utilizada para o treinamento e validação dos modelos. A análise comparativa englobou quatro abordagens distintas: a extração de características via Wavelet Scattering utilizando Redes Neurais; a mesma técnica de Wavelet Scattering aplicada a classificadores clássicos (como SVM e KNN e nayve Bayes); uma Rede Neural Convolucional (CNN); e a arquitetura VGG16 utilizando a técnica de transfer learning. Os resultados demonstraram que, embora a VGG16 tenha obtido a maior acurácia absoluta, o modelo deWavelet Scattering com Redes Neurais apresentou o melhor equilíbrio entre precisão e custo computacional."]},{"key":"dc:title","label":"Title","values":["Identificação de ativos de linha de transmissão por imagens de drones"]}]}],"canonical_facts":{"dc:creator":["Andrade, Lucas Côrtes de"],"dc:date.accessioned":["2026-01-08T12:53:20Z"],"dc:date.available":["2026-01-08T12:53:20Z"],"dc:description.abstract":["Este trabalho busca desenvolver e validar um método automatizado para a identificação e classificação de ativos de linhas de transmissão de energia elétrica, utilizando imagens de alta resolução capturadas por Veículos Aéreos Não Tripulados (VANTs). O objetivo é mitigar os riscos e custos associados às inspeções manuais tradicionais. Para isso, foram implementados e comparados diferentes modelos de aprendizado de máquina capazes de predizer qual ativo está representado na imagem lidando com desafios como fundos complexos e variações de iluminação. A base de dados InsPlad-Det, composta por 13.985 amostras de 17 classes distintas de ativos, foi utilizada para o treinamento e validação dos modelos. A análise comparativa englobou quatro abordagens distintas: a extração de características via Wavelet Scattering utilizando Redes Neurais; a mesma técnica de Wavelet Scattering aplicada a classificadores clássicos (como SVM e KNN e nayve Bayes); uma Rede Neural Convolucional (CNN); e a arquitetura VGG16 utilizando a técnica de transfer learning. Os resultados demonstraram que, embora a VGG16 tenha obtido a maior acurácia absoluta, o modelo deWavelet Scattering com Redes Neurais apresentou o melhor equilíbrio entre precisão e custo computacional."],"dc:identifier.uri":["https://app.uff.br/riuff/handle/1/41741"],"dc:language.iso":["pt_BR"],"dc:rights":["Open Access"],"dc:title":["Identificação de ativos de linha de transmissão por imagens de drones"],"dc:type":["Trabalho de conclusão de curso"]},"updated_at":"2026-07-27T19:00:28Z"}