Monitoramento de incêndios por meio de redes e linhas aéreas de energia elétrica
DOI:
https://doi.org/10.35699/2316-770X.2019.12703Palavras-chave:
Monitoramento ambiental, Interação com a sociedade, Detecção de incêndioResumo
As redes e linhas aéreas de energia elétrica são vistas, muitas vezes, como algo danoso ao ambiente, mesmo levando qualidade de vida e progresso à sociedade. Poucas pessoas concordam em ter uma rede ou linha de energia cruzando suas terras. O monitoramento ambiental de redes e linhas de energia possibilita à sociedade verificar pela internet o que está ocorrendo na região das redes e das linhas aéreas de energia, o que promove uma aproximação entre a sociedade e as empresas que instalam essa infraestrutura vital para o desenvolvimento econômico e social. Neste trabalho, o monitoramento ambiental se dá pela detecção de incêndios, eventos que provocam estragos nas redes e linhas aéreas de energia e trazem prejuízos para todas as populações – humana, animal e vegetal – ao seu redor. Essa detecção de incêndio é feita utilizando aprendizado profundo de máquina, que é capaz de atingir precisões da ordem de 99% e detectar fogo e fumaça em situações adversas.
Downloads
Referências
DATA SCIENCE ACADEMY. Deep learning book. [2018]. Disponível em: http://deeplearningbook.com.br. Acesso em: 11 nov. 2019.
INPE. [2019]. Disponível em: http://queimadas.dgi.inpe.br/queimadas/portal-static/situa-cao-atual/. Acesso em: 15 nov. 2019.
WWF. Five things you need to know about our living planet in 2018. [2018]. Disponível em: https://www.dw.com/en/five-things-you-need-to-know-about-our-living-planet-in--2018/a-46074931. Acesso em: 15 nov. 2019.
CEMIG. Cemig alerta para aumento de queimadas nesta época do ano. [2017]. Disponível em: ht-tps://www.cemig.com.br/sites/Imprensa/pt-br/Paginas/cemig-queimadas-seguranca--alerta.aspx. Acesso em: 15 nov. 2019.
DIOS, J. R. M. et al. Computer vision techniques for forest fire perception. Image and Vision Compu-ting, v. 26, n. 4, p. 550-562, 2008. DOI: https://doi.org/10.1016/j.imavis.2007.07.002
HOHBERG, S. P. Wildfire smoke detection using convolutional neural networks. 2015. Master Thesis (Master of Science). Fachbereich Mathematik und Informatik, Freie Universitt Berlin, Berlin, 2015.
KONG, S. G. et al. Fast fire flame detection in surveillance video using logistic regression and temporal smoothing. Fire Safety Journal, v. 79, p. 37- 43, 2016. DOI: https://doi.org/10.1016/j.firesaf.2015.11.015
STEFFENS, C. R. Um sistema de detecção de fogo baseado em vídeo. 2015. Dissertação (Mestrado em Engenharia da Computação) – Centro de Ciências Computacionais, Universidade Federal do Rio Grande, Rio Grande, 2015.
VIEIRA, D. A. G. et al. Visão computacional para monitoramento ambiental das áreas cobertas por linhas de transmissão utilizando reconhecimento de padrões. In: CONGRESSO DE INOVAÇÃO TECNOLÓGICA EM ENERGIA ELÉTRICA – CITENEL, 8., 2015, Costa do Sauípe. Anais do CITE-NEL 2015. Brasília, DF: ANEEL – Agência Nacional de Energia Elétrica, 2015. p. 1-8.
Imagenet. [2019]. Disponível em: http://www.image-net.org/challenges/LSVRC/. Acesso em: 15 nov. 2019.
REDMON, J. et al. You only look once: Unified, real-time object detection. In: CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, 2016, Las Vegas. Proceedings of the CVPR 2016. Las Vegas: IEEE, 2016. p. 779-788. DOI: https://doi.org/10.1109/CVPR.2016.91
