"Visão além da capacidade humana"
O ImageGuard utiliza deep learning e redes neurais convolucionais para detectar, classificar e priorizar automaticamente defeitos de infraestrutura a partir de imagens aéreas e em nível do solo. Desenvolvido especificamente para o setor elétrico.
A inspeção manual tradicional da infraestrutura de concessionárias é lenta, cara, inconsistente e perigosa. Inspetores humanos conseguem revisar apenas 50-100 imagens por hora, com perda de acurácia causada pela fadiga. Eles deixam passar defeitos sutis que precedem falhas catastróficas.
A visão computacional muda fundamentalmente essa equação. Modelos de deep learning, treinados com milhões de imagens de infraestrutura rotuladas, conseguem analisar milhares de quadros por hora com acurácia consistente de cerca de 94%. Eles detectam padrões invisíveis ao olho humano: trincas capilares, anomalias térmicas, microcorrosão e trajetórias de invasão da faixa pela vegetação.
| Métrica | Manual | ImageGuard |
| Imagens/hora | 50-100 | 10,000+ |
| Acurácia | 70-85% | ~94% |
| Consistência | Variável | 100% |
| Custo/imagem | $0.50-2.00 | $0.01-0.05 |
| Operação 24/7 | Não | Sim |
O ImageGuard é baseado em redes neurais convolucionais (CNNs) de última geração, a mesma tecnologia por trás de veículos autônomos, imagens médicas e reconhecimento facial. Mas nossos modelos são treinados especificamente para a infraestrutura de concessionárias.
Uma CNN processa imagens por meio de várias camadas de filtros aprendidos. As primeiras camadas detectam características básicas: bordas, cantos, texturas. As camadas mais profundas combinam essas características em padrões complexos: formatos de isoladores, assinaturas de corrosão, limites da vegetação. As camadas finais classificam o que foi detectado e o localizam com caixas delimitadoras.
Nossos modelos são treinados com mais de 2 milhões de imagens de infraestrutura rotuladas, abrangendo postes, transformadores, isoladores, condutores, cruzetas e vegetação em diversas regiões geográficas, condições climáticas e tipos de equipamento.
O ImageGuard usa o YOLOv11 (You Only Look Once), a geração mais recente da arquitetura de detecção de objetos em tempo real mais implantada do mundo. Diferentemente dos detectores tradicionais de dois estágios, o YOLO processa a imagem inteira em uma única passagem direta (forward pass), o que permite tempos de inferência abaixo de 50 milissegundos.
Essa velocidade é essencial para a implantação na borda. Quando nossos modelos rodam diretamente no hardware do drone ou nos computadores dos veículos de inspeção, eles processam fluxos de vídeo em tempo real e sinalizam os defeitos no momento em que são capturados.
Benchmark realizado em NVIDIA Jetson Orin com otimização TensorRT.
Detecção abrangente de defeitos multiclasse em todos os componentes da infraestrutura de concessionárias
Trincas, lascas, descargas disruptivas (flashover), contaminação, unidades faltantes
Apodrecimento, inclinação, rachaduras, danos por pica-paus, problemas de fundação
Vazamentos de óleo, ferrugem, danos em buchas, anomalias térmicas
Fusíveis queimados, carcaças danificadas, marcas de arco, desalinhamento
Conexões frouxas, danos por arco, corrosão, pontos quentes
Trincas, apodrecimento, mãos-francesas quebradas, corrosão de ferragens
Invasão da faixa, risco de contato, crescimento medido entre levantamentos
Treine novos tipos de defeito específicos dos seus equipamentos
Treinar modelos de IA robustos exige conjuntos de dados grandes e diversos. Mas defeitos reais são raros: não dá para esperar que ocorram milhares de vazamentos em transformadores só para fotografá-los. O ImageGuard resolve isso com aumento de dados inteligente.
Nossa tecnologia de transferência de defeitos pega amostras reais de defeitos e as compõe de forma realista sobre imagens de equipamentos em bom estado. Um inpainting avançado preenche os fundos originais sem emendas. O resultado: variações ilimitadas de treinamento a partir de poucos exemplos reais.
Combinando isso com transformações geométricas, ajustes de cor e injeção de ruído, geramos conjuntos de dados de treinamento 10-100x maiores que as coleções brutas, melhorando muito a robustez dos modelos em diferentes condições de iluminação, ângulos de câmera e variações de equipamentos.
De dados rotulados a modelo implantado, com melhoria contínua por meio de feedback humano no ciclo (human-in-the-loop)
Importe imagens de drones, satélites e veículos
Rotule defeitos com caixas delimitadoras e classes
Treine modelos personalizados com seu conjunto de dados rotulado
Avalie as métricas de precisão, recall e mAP
Implante na nuvem, em dispositivos de borda ou em ambos
Os modelos melhoram automaticamente à medida que sua equipe revisa e corrige as detecções. Cada correção humana se torna dado de treinamento para a próxima versão do modelo.
Comece com nossos modelos de infraestrutura pré-treinados e faça o ajuste fino para os seus equipamentos. Alcance acurácia de produção com apenas 100 exemplos rotulados.
Controle as versões dos modelos com rastreabilidade completa. Compare o desempenho entre versões, faça testes A/B de candidatos e reverta se necessário.
Personalize a sensibilidade de detecção por classe de defeito. Equilibre precisão e recall conforme a criticidade para o negócio.
Exporte modelos otimizados para NVIDIA Jetson, Intel OpenVINO, Apple CoreML e Android NNAPI.
Painéis em tempo real acompanham precisão, recall, F1-score e matrizes de confusão. Configure alertas para quando a acurácia cair.
O ImageGuard é a base de IA de todo o ecossistema da plataforma GridGuardian. Cada imagem capturada pelo DroneGuard, SATGuard ou AutoGuard passa pelo ImageGuard para análise automatizada.
Os resultados se integram diretamente aos sistemas corporativos: plataformas GIS para análise espacial, sistemas de ordens de serviço para a programação da manutenção e ferramentas de BI para relatórios executivos.
Agende uma demonstração para ver como o ImageGuard pode transformar seu fluxo de inspeção, reduzir em 90% o tempo de revisão manual e identificar defeitos que passam despercebidos pelas pessoas.
Fale conosco