dc.creator | Jacques, Matheus Mello | |
dc.date.accessioned | 2023-03-13T16:18:38Z | |
dc.date.available | 2023-03-13T16:18:38Z | |
dc.date.issued | 2022-11-16 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/28173 | |
dc.description.abstract | Loss identification is one of the main challenges for electric utility companies today. The
loss factor in Brazil was approximately 14% in 2018, where 6.6% are non-technical losses
totaling a cost of almost R$5 billion per year. This work proposes the location of thefts
in the electrical network using satellite images. For this, Deep Learning models are used
to identify rice crops and later this data feeds another artificial intelligence algorithm that
analyzes whether such consumer unit is generating non-technical losses. This work, therefore, proposes the use of the topology proposed by (??) for the classification of plantations
in the Uruguaiana region in Rio Grande do Sul. Sentinel-2 satellite images were acquired
by the (ESA, 2021) platform, processed and used as input to the neural network. In addition, they were also used for the creation of the labels, through the use of the Maximum
Likelihood method combined with the visual inspection of a professional. After training the
neural network for 30 epochs, we found a loss function close to 0.3 in the test dataset, an
accuracy of 90% and a Jaccard Index of 68.84%. Through the application of this Deep Learning model, it was possible to detect and classify the plantations, to then cross-reference
with data from the electrical network to identify possible cases of losses. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Detecção de plantações | por |
dc.subject | Redes neurais | por |
dc.subject | Sentinel-2 | por |
dc.subject | U-Net | por |
dc.subject | Visão computacional | por |
dc.subject | Crop type detection | eng |
dc.subject | Neural networks | eng |
dc.subject | Sentinel-2 | eng |
dc.subject | Computer vision | eng |
dc.title | Utilização de inteligência artificial para a detecção de plantações em imagens de satélite | por |
dc.title.alternative | Use of artificial intelligence to detect crop types in satellite images | eng |
dc.type | Dissertação | por |
dc.description.resumo | A identificação de perdas é um dos principais desafios da concessionários hoje em dia. O
fator de perdas no Brasil foi de aproximadamente 14% em 2018, onde 6,6% são perdas não
técnicas totalizando um custo de quase R$ 5 bilhões ao ano. Esse trabalho propõe a localização de furtos na rede elétrica utilizando imagens de satélite. Para isso são utilizados
modelos de Aprendizagem Profundo na identificação de cultivos de arroz e posteriormente
esse dado alimenta outro algoritmo de inteligência artificial que analisa se tal unidade consumidora está gerando perdas não-técnicas. Esse trabalho, portanto, propõe a utilização
da topologia proposta por (RONNEBERGER; FISCHER; BROX, 2015) para a classificação de plantações na região de Uruguaiana no Rio Grande do Sul. Imagens do satélite
Sentinel-2 foram adquiridas pela plataforma (ESA, 2021), processadas e utilizadas como
entrada da rede neural. Além disso também foram utilizadas para a criação dos rótulos,
através da utilização do método de Máxima Verosimilhança aliado a inspeção visual de
um profissional. Após treinar a rede neural por 30 epochs, foi encontrada uma função de
perda próxima a 0.3 no dataset de teste, uma precisão de 90% e um Índice de Jaccard
de 68,84%. Através da aplicação desse modelo de Aprendizagem Profunda, foi possível
detectar e classificar as plantações, para então cruzar com dados da rede elétrica para
identificar possíveis casos de perdas. | por |
dc.contributor.advisor1 | Bernardon, Daniel Pinheiro | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6004612278397270 | por |
dc.contributor.referee1 | Garcia, Vinícius Jacques | |
dc.contributor.referee2 | Figueiredo, Rodrigo Marques de | |
dc.creator.Lattes | http://lattes.cnpq.br/2355090348059359 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Engenharia Elétrica | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |