Título: ABORDAGENS DE DEEP LEARNING NA IDENTIFICAÇÃO DE FALHAS EM USINAS FOTOVOLTAICAS
Título alternativo: DEEP LEARNING APPROACHES FOR FAULT IDENTIFICATION IN PHOTOVOLTAIC POWER PLANTS
Autoria de: Letycia de Melo Borges
Orientação de: Marcio Montagnana Vicente Leme
Presidente da banca: Márcio Montagnana Vicente Leme
Primeiro membro da banca: Bruna Oliveira Passos e Silva Siqueira
Segundo membro da banca: Carlos Eduardo Castilla Alvarez
Palavras-chaves: Energia solar, Deep Learning, Detecção de falhas, Inteligencia artificial, Termografia Aerea
Data da defesa: 01/12/2025
Semestre letivo da defesa: 2025-2
Data da versão final: 15/12/2025
Data da publicação: 15/12/2025
Referência: Borges, L. d. M. ABORDAGENS DE DEEP LEARNING NA IDENTIFICAÇÃO DE FALHAS EM USINAS FOTOVOLTAICAS. 2025. 39 p. Trabalho de Conclusão de Curso (Graduação em Engenharia Mecânica Bacharelado)-Universidade Federal de Lavras, Lavras, 2025.
Resumo: Este artigo apresenta a aplicação de técnicas de deep learning para a detecção automática de falhas em módulos fotovoltaicos a partir de imagens térmicas adquiridas por drones. Foram utilizadas as arquiteturas Mask R-CNN e Faster R-CNN, treinadas com imagens previamente rotuladas nas classes ??Diodo?? e ??Hotspot??. Os resultados experimentais indicaram que ambos os modelos apresentaram desempenho satisfatório na identificação de anomalias, com destaque para a detecção de defeitos relacionados a diodos, que alcançou uma taxa de acerto de 94,12. Observou-se que o Mask R-CNN apresentou menor incidência de falsos positivos, enquanto o Faster R-CNN demonstrou maior sensibilidade na detecção de hotspots, embora com menor precisão. Em termos de custo computacional, não foram observadas diferenças significativas no tempo de processamento entre as duas abordagens, apesar da maior complexidade estrutural do Mask R-CNN. Adicionalmente, a integração dos resultados com o ambiente QGIS possibilitou a visualização georreferenciada das falhas, facilitando a identificação de áreas críticas e o planejamento de ações de manutenção. Os resultados mostram o potencial das abordagens propostas para a automação da inspeção termográfica em usinas fotovoltaicas, contribuindo para maior eficiência e confiabilidade operacional.
Abstract: This article presents the application of deep learning techniques for the automatic detection of faults in photovoltaic modules using thermal images acquired by drones. The Mask R-CNN and Faster R-CNN architectures were employed and trained with images previously labeled into the ??Diode?? and ??Hotspot?? classes. Experimental results indicated that both models achieved satisfactory performance in anomaly identification, with particular emphasis on the detection of diode-related defects, which reached an accuracy rate of 94.12. It was observed that Mask R-CNN exhibited a lower incidence of false positives, whereas Faster R-CNN demonstrated higher sensitivity in hotspot detection, albeit with lower precision. In terms of computational cost, no significant differences in processing time were observed between the two approaches, despite the greater structural complexity of Mask R-CNN. Additionally, the integration of the results with the QGIS environment enabled the georeferenced visualization of faults, facilitating the identification of critical areas and the planning of maintenance actions. The results highlight the potential of the proposed approaches for automating thermographic inspections in photovoltaic power plants, contributing to increased operational efficiency and reliability.
URI alternaviva: sem URI do Repositório Institucional da UFLA até o momento.
Curso: G032 - ENGENHARIA MECÂNICA (BACHARELADO)
Nome da editora: Universidade Federal de Lavras
Sigla da editora: UFLA
País da editora: Brasil
Gênero textual: Trabalho de Conclusão de Curso
Nome da língua do conteúdo: Português
Código da língua do conteúdo: por
Licença de acesso: Acesso aberto
Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras
URI da licença: repositorio.ufla.br
Termos da licença: Acesso aos termos da licença em repositorio.ufla.br
Detentores dos direitos autorais: Letycia de Melo Borges e Universidade Federal de Lavras
Baixar arquivo