Atualmente, nosso modo de vida esta cada vez mais dependente de energia elétrica. Essa característica faz com que as linhas de transmissão, responsáveis por fazer a conexão entre as unidades geradoras e consumidoras devam estar em condições de operação 24 horas por dia, 7 dias por semana. Normalmente a realização da inspeção das linhas de transmissão é feita por aeronaves tripuladas, condição muito cara e extremamente perigosa. Diante dessa perspectiva, robôs têm se tornado alternativas cada vez mais reais para o barateamento e aumento da segurança dessa atividade de inspeção. Para buscar autonomia nessa atividade, é necessário que o robô identifique os obstáculos no seu percurso para que possa continuar inspecionando a linha sem interrupções. Considerando esse contexto, o presente trabalho apresenta uma abordagem para caracterização e classificação dos obstáculos encontrados na linha. A estratégia abordada utiliza-se de um LiDAR para a coleta de dados, extração de features de forma e intensidade e a classificação utilizando o algoritmo de inteligência artificial k-Nearest Neighbor. A abordagem desse trabalho utilizou dois datasets para demonstrar o desempenho do método proposto, apresentando acurácia de 100% quando as imagens não apresentavam oclusão e 98,4% com o dataset que apresenta oclusão nas imagens. Foi realizada análise do classificador com a adição de ruído dos tipos salt&pepper e speckle com pouca alteração de desempenho, apresentando desempenho mínimo de 97,6%
Nowadays, our way of life is increasingly more dependent on electric power. This characteristic
makes the transmission lines, responsible for making the connection between the
generating units and consumers, to be on operating conditions 24 hours a day, 7 days a
week. Currently, manned aircrafts are responsible for the inspection of these transmission
lines, which is very expensive and extremely dangerous. Given this perspective, robots have
become more and more real alternatives to reduce costs and increase safety in inspection
activity. In order to seek autonomy in the inspection activity, it is necessary that the robot
identify the obstacles in its course, so that it can continue inspecting the line without
interruptions. Considering this context, this paper presents an approach to characterize
and classify the obstacles found in the line. The applied strategy includes the usage of a
LiDAR for data collection, shape features extraction and classification using the K-Nearest
Neighbor artificial intelligence algorithm. The approach of this work used two datasets to
demonstrate the performance of the proposed method, presenting 100% accuracy when the
images had no occlusion and 98.4% with the dataset showing occlusion in the images. Classifier
analysis was performed with addition of imagen noise types salt&pepper and speckle
with little change in performance with a minimum performance of 97.6% of accuracy.
