Redes neurais convolucionais para a medição de nível de água em usinas hidrelétricas

Abstract

Este trabalho explora a aplicação de visão computacional para me- dição do nível de água em usinas hidrelétricas, utilizando redes neurais con- volucionais. O objetivo principal é propor um método baseado no algoritmo

YOLOv5s, capaz de detectar automaticamente as escalas de régua e um método para detectar os números de medição utilizando o Tesseract OCR em imagens

capturadas em condições diversas de iluminação. A metodologia inclui a cria- ção de um dataset, treinamento e validação do modelo, e a implementação de

técnicas de processamento de imagens para cálculo do nível de água. O método proposto visa reduzir erros operacionais, otimizar o monitoramento em tempo real e contribuir para a eficiência energética e segurança estrutural de usinas

hidrelétricas. Os resultados obtidos demonstraram a eficácia do método, alcan- çando um erro médio de apenas 0,07 cm mesmo sob condições visuais adversas,

o que evidencia seu potencial para aplicações práticas no monitoramento hidre- létrico.

This study investigates the application of computer vision techniques for measuring water levels in hydroelectric power plants using convolutional neural networks. The primary objective is to propose an method based on the YOLOv5s algorithm for the automatic detection of gauge scales, combined with the use of Tesseract OCR to identify measurement numbers in images captured

under varying lighting conditions. The methodology includes dataset construc- tion, model training and validation, and the implementation of image proces- sing techniques for water level estimation. The proposed method aims to reduce

operational errors, optimize real-time monitoring, and enhance both energy ef- ficiency and structural safety in hydroelectric facilities. The results demonstrate

the effectiveness of the method, achieving a mean error of only 0.07 cm even under visually challenging conditions, highlighting its potential for practical deployment in hydrological monitoring systems.