Resumo
Os aerogeradores transformam a energia cinética produzida pelo vento, sendo suas pás o componente mais suscetível a danos. Uma vez que paradas não programadas devido aos danos resultam em prejuízos significativos, faz-se necessária a detecção precoce de falhas em pás de aerogeradores. Nessa dissertação, é analisado um método para o treinamento de um modelo de rede neural que identifica danos externos nas pás de aerogeradores a partir de fotografias coloridas. São investigadas algumas abordagens de treinamento baseadas na extração de recortes obtidos da imagem original; na aplicação de técnicas de balanceamento e aumento de dados; na técnica de separação dos recortes nos conjuntos de dados; e no ajuste fino de modelos de redes neurais convolucionais profundas prétreinadas. Nos experimentos realizados, a melhor configuração de treinamento encontrada é utilizando o modelo EfficientNetB2 pré-treinado com o ImageNet e refinado com recortes extraídos em posições aleatórias da imagem original, aplicando técnicas de aumento de dados e balanceamento, e que são separados aleatoriamente nos conjuntos definidos. Essa configuração obtém os melhores resultados no conjunto de testes para as métricas de precisão, acurácia e sensibilidade, sendo esta a configuração selecionada para ser avaliada no conjunto de validação, obtendo uma precisão de 95%, acurácia de 92,1% e sensibilidade de 95% na classificação das imagens originais. Por fim, a classificação dos recortes permite a localização dos danos na imagem original através da exibição de um mapa de calor. Conclui-se que a configuração de treinamento utilizada contribui para uma maior diversidade das amostras de treinamento, melhorando os resultados de classificação do modelo. Os resultados indicam que o método pode ser integrado ao processo de inspeção dos aerogeradores para auxiliar no processo de identificação de danos