Resumo Técnico: Localização Visual via Estruturas Semânticas para Inspeção de Usinas Fotovoltaicas Autônomas

1. Definição do Problema

A manutenção de usinas fotovoltaicas (PV) depende cada vez mais de Veículos Aéreos Não Tripulados (VANTs) equipados com câmeras térmicas para detectar defeitos, como pontos quentes (hot spots) e anomalias de circuito. No entanto, a inspeção totalmente autônoma continua sendo um desafio. Os sistemas atuais dependem frequentemente de Sistemas Globais de Navegação por Satélite (GNSS) e Unidades de Medida Inercial (IMU) para navegação, que carecem da precisão necessária para capturar imagens térmicas de distâncias e ângulos de visão ideais. Além disso, o planejamento de missões padrão baseado em waypoints pré-definidos é propenso a erros devido ao desvio do GNSS e imprecisões no modelo da usina solar. Para adquirir dados detalhados de defectoscopia, o VANT deve manter uma posição precisa de 6-DoF (seis graus de liberdade) em relação aos módulos PV individuais, uma tarefa difícil de alcançar sem o feedback visual.

2. Metodologia

O artigo propõe um novo pipeline de localização que integra diretamente a detecção de módulos PV no ciclo de navegação do VANT. O sistema opera em imagens de câmera RGB, escolhidas por possuírem um espaço de características mais rico e maior resolução em comparação com imagens térmicas, embora os autores observem que os métodos podem ser adaptados para dados térmicos.

2.1. Visão Geral do Pipeline de Localização

O pipeline consiste em três estágios primários:

1. Detecção de Módulos: Detecção visual e segmentação de módulos PV individuais.
2. Associação de Dados: Rastreamento de detecções através de sequências de imagens para preservar IDs únicos e associá-los a um modelo de usina fotovoltaica georreferenciado. Isso envolve a identificação de "pontos de ancoragem visual" (extremidades de fileiras e lacunas) para inicializar a associação e o uso de rastreamento de objetos para manter a consistência global.
3. Estimativa de Pose da Câmera: Resolução do problema de Perspective-n-Point (PnP) para estimar a posição relativa da câmera com base na associação entre pontos de imagem detectados e suas coordenadas conhecidas no mundo real.

2.2. Abordagens de Segmentação de Módulos PV

Os autores avaliam três métodos de segmentação distintos para determinar sua eficácia dentro do pipeline de localização:

• YOLOv8 (Segmentação de Instância): Um modelo de aprendizado profundo que gera caixas delimitadoras orientadas e máscaras de segmentação.
• U-Net (Rede Totalmente Convolucional): Um modelo de aprendizado profundo que produz máscaras de segmentação binárias, as quais são pós-processadas (erosão/dilatação) para extrair caixas delimitadoras individuais.
• Detecção Baseada em Bordas (Visão Computacional Tradicional): Um método utilizando detecção de bordas Canny e transformadas de Hough para identificar interseções de linhas, formando uma estrutura de grafo que representa os cantos dos módulos. Esta abordagem inclui um mecanismo de detecção inovador para "lacunas de fileira" (transições entre linhas) usando similaridade de histograma, não exigindo dados de treinamento.

2.3. Estimativa de Pose e Filtragem

• Solucionador PnP: O sistema utiliza o algoritmo EPnP para calcular a transformação entre o sistema de coordenadas do mundo (modelo da usina) e o referencial da câmera.
• Filtro de Kalman: Para garantir robustez contra ruídos e erros ocasionais de PnP, um filtro de Kalman simplificado integra estimativas de pose PnP, dados de GNSS (para velocidade) e um modelo de movimento do VANT. O filtro pondera as medições de PnP dinamicamente com base no erro de reprojeção ($\epsilon_r$) e limiares de desvio de distância.

2.4. Modelagem da Usina Fotovoltaica

O sistema requer um modelo compacto e georreferenciado contendo as posições, orientações e dimensões dos módulos PV. Os autores testaram duas abordagens de geração de modelo:

• Modelo de Alta Altitude (H-Alt): Derivado de imagens aéreas públicas e mapas topográficos.
• Modelo de Structure-from-Motion (SfM): Gerado a partir dos próprios dados de voo de inspeção usando OpenSfM, servindo como uma verdade de campo de alta precisão para avaliação.

3. Principais Contribuições

• Localização Direta Módulo-Drone: Um método para estimar a pose do VANT em relação aos módulos PV individuais, permitindo navegação precisa e aquisição de dados de ângulos e distâncias de visualização ideais.
• Análise Comparativa de Segmentação: A proposta e avaliação de três métodos de segmentação fundamentalmente diferentes (dois baseados em CNN e um de visão computacional tradicional) dentro de um pipeline de localização unificado.
• Pontos de Ancoragem Visual: A introdução de pontos de navegação visualmente reconhecíveis (extremidades de fileiras e lacunas) para inicializar o pipeline de localização e associar as detecções ao modelo da usina sem o alinhamento prévio de GNSS.
• Dataset Público e Modelos: O lançamento de um conjunto de dados anotado customizado para segmentação de módulos PV e os modelos de segmentação treinados.

4. Resultados Experimentais

O sistema foi avaliado em um conjunto de dados customizado compreendendo voos de inspeção manual sobre duas usinas fotovoltaicas distintas (Usina A e B) com layouts de módulos variados (fileiras verticais vs. horizontais).

• Desempenho de Detecção:
  • A U-Net demonstrou maior robustez e taxas de sucesso em ambas as usinas e para a detecção de lacunas de fileira.
  • O YOLO teve bom desempenho na Usina A, mas apresentou redução na generalização na Usina B (módulos horizontais), atribuído à sub-representação nos dados de treinamento.
  • Os métodos baseados em bordas foram eficazes, mas sofreram quedas de desempenho em módulos mais escuros na Usina A devido ao ajuste de parâmetros fixos.
• Precisão de Localização:
  • Utilizando o modelo SfM (verdade de campo), o sistema alcançou erros médios de posição variando de 0,65m a 1,29m, dependendo do método de segmentação e do conjunto de dados.
  • Utilizando o modelo H-Alt, o sistema compensou com sucesso as imprecisões do modelo e o desvio do GNSS, mantendo trajetórias estáveis em relação às estruturas detectadas.
  • O filtro de Kalman melhorou significativamente a suavidade e a estabilidade da trajetória em comparação com as estimativas brutas de PnP.
• Capacidade de Tempo Real:
  • Os tempos de computação foram medidos em uma CPU Intel Core i7-7700 e GPU Nvidia GeForce 2080Ti.
  • O método baseado em bordas foi o mais rápido (Total 58ms na GPU), seguido pela U-Net (38ms na GPU) e YOLO (~45ms na GPU). Todos os métodos suportaram frequências de processamento em tempo real (3–15 fps) exigidas para as velocidades de voo testadas.

5. Significância e Alegações

O artigo alega que o método proposto representa um passo significativo para a inspeção fotovoltaica totalmente autônoma ao mudar da navegação baseada em waypoints para a localização orientada a objetos. Ao utilizar diretamente as detecções de módulos PV, o sistema permite que o VANT mantenha distâncias e ângulos de visualização ideais, o que é crítico para uma defectoscopia térmica de alta qualidade.

Os autores enfatizam que o método é robusto a imprecisões no modelo da usina fotovoltaica e desvios de GNSS, desde que as estruturas visuais sejam corretamente identificadas e associadas. Eles observam que a abordagem é versátil, suportando diferentes algoritmos de segmentação e permitindo a extração simultânea de fragmentos de imagem para análise de defeitos. Embora a implementação atual foque em layouts baseados em fileiras, os autores sugerem que a metodologia poderia ser estendida para outras estruturas, como instalações em telhados. O trabalho conclui que a integração da localização visual com pipelines de defectoscopia oferece um caminho prático para melhorar a eficiência e a confiabilidade da manutenção autônoma de usinas fotovoltaicas.