Detecção e classificação de equipamentos em torres de telecomunicação através de redes neurais convolucionais

Abstract

Este trabalho realiza o estudo da aplicação de modelos de redes neurais convolucionais para a detecção e classificação de equipamentos em torres de telecomunicações, utilizando imagens de veículos aéreos não tripulados (VANTs). A partir da pesquisa e levantamento de tecnologias, o objetivo do trabalho compreende realizar um estudo para avaliar o desempenho das redes neurais para executar a predição das classes de equipamentos definidos, e assim validar uma alternativa para inspeção de estações rádio base (ERBs) com drones. Foi realizado um trabalho de coleta e preparação do conjunto de dados para treinamento e teste utilizando as ferramentas LabelImg, para demarcação e rotulação, e o Roboflow, aplicação web para pré-processamento de dados para Machine Learning. Foi realizado o estudo com dois modelos de redes neurais, o YOLOv5 e o Detectron2, ambos desenvolvidos com o framework PyTorch utilizando linguagem Python. O ambiente de desenvolvimento utilizado para treinamento das redes e inferência foi o Google Colaboratory. Os objetivos do trabalho foram alcançados com êxito, visto que foram realizados ensaios para ambos os modelos e analisados os resultados, nos quais obteve-se uma taxa de acurácia máxima de 87% para o modelo do Detectron2 e 86% para o YOLOv5, e um tempo médio de inferência de 0,044s com o modelo YOLOv5 e 0,1814s com o Detectron2.

This work studies the application of convolutional neural network models for the detection and classification of equipment in telecommunications towers, using images from UAVs. From the research and survey of technologies, the objective of the work comprises carrying out a study to evaluate the performance of neural networks to perform the prediction of the defined equipment classes, and thus validate an alternative for inspecting cell towers with drones. A research has been done to collect and prepare the dataset for training and testing using the LabelImg, for demarcation and labeling, and Roboflow, a web application for pre-processing data for Machine Learning. The study was carried out with two models of neural networks, YOLOv5 and Detectron2, both developed with the PyTorch framework using Python language. The development environment used for training the networks and inference was Google Collaboratory. The objectives of the research were successfully achieved, since tests were performed for both models and the results analyzed, in which a maximum accuracy rate of 87% was obtained for the Detectron2 model and 86% for the YOLOv5 model, and an average inference time of 0.044s with the YOLOv5 model and 0.1814s with Detectron2 model.