Banca de DEFESA: ELIEL DA COSTA PINHEIRO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ELIEL DA COSTA PINHEIRO
DATA : 09/11/2026
HORA: 14:30
LOCAL: on-line
TÍTULO:

Detecção e Classi cação Automática de Falhas em Pás de Aerogeradores Utilizando Modelos da Família YOLO.

PALAVRAS-CHAVES:

Energia eólica, detecção preditiva de falhas,  Análise de Assinatura Elétrica (ESA),  continuidade operacional.

PÁGINAS: 89
RESUMO:

A energia eólica consolidou-se como uma importante fonte renovável de eletricidade, e sua expansão reforça a necessidade de métodos de manutenção e inspeção capazes de reduzir riscos, custos operacionais e períodos de indisponibilidade dos aerogeradores. Entre seus principais componentes, as pás estão sujeitas a diferentes mecanismos de degradação que podem comprometer seu desempenho aerodinâmico e sua integridade estrutural. Nesse contexto, este trabalho investigou a aplicação de modelos de visão computacional na detecção, classificação e segmentação automática de defeitos superficiais em pás de aerogeradores a partir de imagens de inspeção obtidas por drones e reunidas em fontes públicas. Foram treinadas e avaliadas quatro configurações da família You Only Look Once (YOLO) destinadas à segmentação de instâncias: YOLOv8s, YOLOv8m, YOLOv11s e YOLOv11m. Os modelos foram submetidos às mesmas condições experimentais e avaliados sobre cinco classes de defeitos, utilizando métricas como precision, recall, mAP@0,5, mAP@0,5:0,95 e F1-score, considerando tanto caixas delimitadoras quanto máscaras de segmentação. Adicionalmente, foi realizado um treinamento complementar com o modelo RF-DETR-seg-m, baseado em uma arquitetura distinta da família YOLO. Entre os modelos YOLO, o YOLOv8s apresentou o melhor desempenho global para as máscaras, alcançando precision de 0,665, recall de 0,713, mAP@0,5 de 0,653, mAP@0,5:0,95 de 0,319 e F1-score máximo de 0,67. O YOLOv11m apresentou a maior precision, igual a 0,720, porém com menor recall, de 0,623. O YOLOv11s apresentou desempenho próximo às variantes de maior porte e o menor tempo de treinamento, aproximadamente 24 horas e 51 minutos, evidenciando uma relação favorável entre desempenho e custo computacional. O RF-DETR-seg-m alcançou mAP@0,5 global de 0,619, confirmando de forma complementar tendências observadas nos modelos YOLO. A classe Erosion - Structural apresentou a maior dificuldade de reconhecimento, principalmente em razão de sua baixa representatividade no conjunto de dados. Os resultados demonstram quemodelos de menor porte podem apresentar desempenho competitivo ou superior a vari-antes mais complexas e indicam a viabilidade da abordagem como ferramenta de apoio àtriagem e à inspeção automatizada de pás de aerogeradores.

MEMBROS DA BANCA:
Presidente - 3157135 - ANTONIO WALLACE ANTUNES SOARES
Externo à Instituição - BRUNO AUGUSTO FERREIRA VITORINO - IFRN
Interno - 1045672 - MAX CHIANCA PIMENTEL FILHO
Interno - 1168362 - THIAGO DE OLIVEIRA ALVES ROCHA