Detecção de transformadores em imagens de Subestações Elétricas com SURF e KNN

Transcrição

1 Detecção de transformadores em imagens de Subestações Elétricas com SURF e KNN Daniel L. Gomes Jr., Paulo R. J. dos Reis, Anselmo C. de Paiva, Aristófanes C. Silva Núcleo de Computação Aplicada (NCA) Universidade Federal do Maranhão (UFMA) São Luís, MA, Brasil {daniellima, pjansen, anselmo, ari}@nca.ufma.br Antonio Sérgio de Araújo Companhia Hidro Elétrica do São Francisco (CHESF) Centro Regional de Operação de Sistema Leste São Luís, MA, Brasil asergio@chesf.gov.br Resumo Este trabalho apresenta a utilização de técnicas de visão computacional aplicada ao cenário dos Sistemas Elétricos de Potência (SEP) para detecção de transformadores em imagens do ambiente de operação. A metodologia consiste na utilização da técnica SURF (Speed Up Robust Features) para extração de características e descritores das imagens treinamento do KNN (K-Nearest Neighbors) usado para seleção das melhores correspondências (matches) obtidas na etapa de identificação de keypoints do SURF. O formato dos transformadores muda de acordo com a companhia, fabricante, dentre outros fatores e por isso a fase de treinamento torna-se importante para a correta detecção dos equipamentos da subestação de acordo com os equipamentos presentes. Esta abordagem pode ainda ser utilizada para detecção de outros elementos dentro da subestação. Os resultados com 8 imagens obtiveram taxa de acerto na detecção de 75,69%. Termos de Índice Sistemas Elétricos de Potência, SURF, KNN Transformadores, Visão Computacional. I. INTRODUÇÃO Ambientes de Realidade Aumentada (RA) vêm se tornando uma realidade nos sistemas de computação. Esta afirmação é comprovada por diversos produtos de software disponíveis no mercado com esta tecnologia. Ainda não existe uma ferramenta futurista de uso geral como previsto em certos filmes de ficção, mas podemos perceber que não é uma realidade distante em alguns aspectos ou ambientes específicos, como a possibilidade de inclusão de informações sobre equipamentos em um sistema de potência. De acordo com a definição, nos ambientes de Realidade Aumentada são inseridos objetos virtuais no ambiente físico, mostrando o ambiente real acrescido de informações ao usuário em tempo real com apoio de dispositivo tecnológico, além de utilizar a interface do ambiente real adaptada para visualizar e manipular objetos reais e virtuais [1]. A criação de ambientes de RA depende diretamente do estudo e elaboração de técnicas de visão computacional que exige bons resultados de detecção e rastreamento para que informações possam ser sobrepostas na visualização real. Este trabalho trata da etapa inicial que precede a criação de uma aplicação de realidade aumentada, na qual a interação com o ambiente se dá de várias maneiras geralmente relacionadas com interfaces de usuário (UI) tridimensionais. Desta forma, para exibir informações de um Sistema Elétrico de Potência (SEP) em ambiente de RA se faz necessário além do estudo de técnicas de visão computacional, também a definição adequada do formato de exibição das informações (UI) relacionadas aos equipamentos existentes no sistema elétrico, dentre outras características. Através desta abordagem, o objetivo da etapa inicial consiste em identificar em uma coleção de imagens de instalações elétricas onde estão os transformadores para possibilitar a exibição de informações associadas ao elemento detectado. O presente trabalho busca desta forma a inovação na forma de visualização dos equipamentos dentro de uma subestação, por exemplo, para ser possível posteriormente adicionar informações virtuais aos equipamentos detectados dentro do ambiente real. O presente trabalho, elaborado como parte da pesquisa do projeto de P&D AGITO - Ambiente Gráfico Interativo para Treinamento de Operadores da CHESF, busca nesta etapa inicial solucionar a identificação dos transformadores presentes em uma cena de subestação através da estratégia de identificação de pontos ão característicos onde está sendo como construída isolantes esta nova elétricos ou interligação dielétricos entre Brasil e outras e Uruguai, partes e as principais utilizadas Linhas como de Transmissão treino para e a identificação dos elementos da cena. O restante deste trabalho está organizado em mais cinco seções. A Seção II apresenta um levantamento de trabalhos relacionados. A Seção III apresenta o referencial teórico para entendimento da metodologia proposta. A Seção IV apresenta a metodologia utilizada enquanto a seção V mostra os resultados obtidos através das técnicas utilizadas. Por fim, a seção VI apresenta a conclusão, além de enumerar possíveis trabalhos futuros. Este trabalho faz parte do projeto de P&D AGITO - Ambiente Gráfico Interativo para Treinamento de Operadores financiado pela CHESF. Além do apoio do CNPQ, FAPEMA e CAPES através do financiamento de bolsas aos autores deste trabalho.

2 II. TRABALHOS RELACIONADOS A detecção da fachada de prédios, proposta em [2]-[3] considerando diferentes perspectivas no prédio e sendo realizado de maneiras diferentes é um exemplo de uma tarefa complexa tratada pelo campo da Visão Computacional, pois as fachadas não seguem um padrão nítido, semelhante ao problema tratado na metodologia proposta por este trabalho. Segundo [4], a detecção automática de equipamentos de manutenção e apresentação de informações de contexto sobre os equipamentos, proporciona ao operador em treinamento um sistema capaz de mostrar informações auxiliares na execução da tarefa. Outro ponto interessante do trabalho é que as mãos estão livres para a realização da manutenção e a interação com o sistema é realizada através de comandos de voz. Técnicas de visão computacional são usadas em [5] para visualização em Sistemas Elétricos de Potência e para medir como esta abordagem pode ampliar a efetividade do treinamento de funcionários no campo da indústria de energia. A pesquisa foi desenvolvida a partir de um projeto elaborado por especialistas do setor elétrico modelando tarefas como manutenção, reparos e testes de diagnósticos de máquinas complexas como transformadores e geradores. Afirma-se ainda que as visualizações tridimensionais produzam novas formas de transmissão de conhecimento e educação. Na área de detecção aplicada a objetos da área industrial [6], temos um trabalho que mostra uma abordagem relacionada à calibração de câmeras e inclusão de elementos virtuais através de contornos em linha detectados. Os modelos 3D de contornos são usados em outra etapa como entrada para a detecção de objetos. Como pode ser visto a detecção de objetos é utilizada tanto em ambientes de sistemas elétricos como para outras finalidades em áreas diversas. Esta tarefa, que faz parte da área de Visão Computacional, possui desafios a serem solucionados, pois a mesma técnica pode ser usada para fins diferentes. III. FUNDAMENTAÇÃO TEÓRICA A. Sistemas Elétricos de Potência Os modernos sistemas elétricos de potência são sistemas de energia que envolvem três entidades primárias: o sistema de geração que é responsável pela produção de energia; o sistema de transmissão que transfere a eletricidade através de linhas de transmissão de alta tensão elétrica para subestações regionais; e o sistema de distribuição que é responsável por distribuir a energia elétrica para os clientes locais [7]. O sistema de transmissão consiste em linhas de transmissão, subestações e transformadores que são dispositivos utilizados para converter a eletricidade de um nível de tensão elétrica a outro, por exemplo, a conversão de altas voltagens alternadas para baixas voltagens e vice-versa. Já as subestações são um conjunto de aparatos na rede dos sistemas de potência para modificar características como freqüência ou tensão elétrica dos suprimentos de energia. As subestações também possuem uma variedade de equipamentos para proteção contra raios, curtos circuitos e outras falhas que podem ocorrer na distribuição da eletricidade aos clientes. Os clientes de um sistema de potência elétrico variam desde a categoria de consumo doméstica e pequenas empresas até clientes comerciais e grandes clientes industriais. A complexidade destes sistemas é causada devido às regras da composição de toda a rede e em como esta eletricidade é armazenada, gerenciada e transmitida ao longo da rede de transmissão. Dessa forma faz-se necessário a busca incessante por melhorias tanto na área de visualização das informações quanto no próprio entendimento e utilização destes dados para o gerenciamento dos sistemas de potência. B. Visão Computacional Segundo [8], o primeiro estágio de qualquer aplicação na área de Visão Computacional é nomeado de processamento de imagens para pré-processar a imagem e convertê-la em um formato conveniente para realização de diversas análises adicionais. Exemplos de operações incluem balanceamento de cor, redução de distorção na imagem e aumento de precisão na imagem. Uma imagem qualquer pode ser apresentada como uma representação visual de um objeto [9]. Do ponto de vista matemático, a imagem é uma função bidimensional ƒ(x,y) em que x e y são coordenadas planas, e a amplitude de ƒ em qualquer par de coordenadas (x,y) é a intensidade ou nível de cinza da imagem no ponto determinado. Quando esta amplitude de ƒ faz parte de um conjunto de valores finitos, ou discretos, a imagem é chamada de imagem digital [10]. Os descritores de imagens podem ser definidos como um par composto por um vetor de características extraídas e uma função de distância. O vetor de características representa um conjunto de propriedades de uma determinada imagem (cor, textura, forma, dentre outras), enquanto a função de distância representa diz respeito á diferenças ou dissimilaridades entre duas imagens de acordo com as características dessas imagens. De outra forma um descritor pode ser entendido como uma tupla (E, F) em que E é uma função que extrai um vetor de características V, que é utilizado para calcular a distância entre as imagens. interligação entre Brasil e Uruguai, e as principais Linhas de Transmissão e Alguns autores consideraram o processamento de imagens uma área fora da visão purista do conceito de Visão Computacional, porém a maioria das aplicações de CV como reconhecimento ou fotografia computacional termo que se refere à captura, processamento e técnicas de manipulação de imagens que melhoram as capacidades da imagem digital exige cuidado no processo de montagem dos estágios de processamento de imagens com a finalidade de conseguir bons resultados no objetivo traçado de Visão. C. SURF (Speed Up Robust Features) Segundo [11], é uma técnica de correspondência baseada em características locais, assim como o SIFT[12]. Pode ser definido como um algoritmo de extração de keypoints e descritores que provê uma alternativa ao SIFT e requer um

3 menor tempo de processamento para detecção e correspondência de keypoints da imagem de treino com a imagem de busca, como exemplificado na Figura 1. A técnica de extração de características SURF também é conhecida como SIFT aproximado e emprega a utilização de escala utilizada na detecção do keypoint. Quanto maior a semelhança entre as imagens, maior o numero de correlações detectadas. Assim os descritores SURF são computados construindo uma janela quadrada centrada em torno do keypoint e com a orientação obtida. Esta janela é subdividida em uma área regular de dimensões 4x4 e a transformada da Haar de tamanho 2σ é calculada novamente para cada sub-região. Cada sub-região gera 4 valores resultando em um vetor de descritores que é, então, normalizado. Os descritores resultantes tornam a técnica, por fim, invariante à rotação, escala e contraste. Em testes comparativos [15] sobre as implementações de descritores em que os thresholds são adaptados para uma mesma quantidade de pontos de interesse é afirmado ainda que enquanto o SIFT possui um tempo para este processamento de 1036 ms, o SURF possui o melhor tempo de processamento nas mesmas condições de 255 ms. Figura 1: Processo de Matching do SURF com keypoints na imagem de treino e na cena real. Imagens Integrais e Espaço de Escala gerando keypoints e descritores de forma eficiente. O SURF utiliza dois estágios nomeados de keypoint detection e keypoint description, que são estágios de detecção dos pontos-chave e seus respectivos descritores com orientação, distância, dentre outras características utilizadas na detecção. Na fase de detecção, o SURF melhora consideravelmente o tempo de processamento devido ao uso de imagens integrais [13] para computar uma aproximação do operador HoG em diferentes escalas, que permite um desempenho 3 a 7 vezes melhor que o apresentado pelo SIFT. A aplicação desse filtro é independente do tamanho da área do filtro devido à representação da imagem integral. As posições detectadas são refinadas com aproximação que é realizada com respeito ao determinante da Matriz Hessiana 1 que é processada de maneira extremamente rápida com imagens integrais. O operador HoG apresenta menor quantidade de keypoints comparado quando são usados operadores LoG ou DoG, mas segundo [11], o método reporta keypoints tão estáveis quanto os decorrentes do SIFT. Dessa forma a técnica SURF constrói seu espaço de escala mantendo o tamanho da imagem o mesmo e variando apenas o tamanho do filtro. O primeiro estágio tem resultado invariante à escala e localização, ainda não sendo neste momento invariante à rotação. No estágio final, cada keypoint detectado é associado a uma orientação, que é obtida através da técnica transformada de Haar [14] (que pode ser representada como uma multiplicação matricial) calculada nas direções x e y com um conjunto de pixels em um raio de 6σ, em que σ refere-se à 1 Matriz Hessiana de uma função f com várias variáveis é a matriz formada pelas derivadas parciais de primeira ordem de uma função vetorial. É uma matriz quadrada e seu determinante é denominado de função hessiana. É utilizada para aumento da precisão e funciona com rapidez com imagens integrais. D. KNN (K-Nearest Neighbors) O algoritmo K-Nearest Neighbor (ou K-ésimos vizinhos próximos) é um dos algoritmos mais simples para predição de classe ou classificação com base em uma amostra de teste[16]. A fase de treinamento é bastante simples, bastando armazenar todos os exemplos de treinamento com sua classificação. Para fazer a classificação é computada a distância a cada treino realizado. Então com base nestas distâncias, o algoritmo considera k elementos, em que k >= 1 e é um valor fixo inteiro. Este método básico é chamado de KNN e existem duas escolhas importantes a serem feitas: o valor de k e a função de distância a ser utilizada. Uma desvantagem do KNN é o tempo para fazer as predições visto que é necessário considerar todos os elementos da base de treino. O caso mais simples é com o valor de k=2, em que o classificar identifica ou não determinado objeto. Esta foi a abordagem utilizada neste trabalho, considerando como transformador ou não na cena analisada. KNN é considerado também um algoritmo de aprendizado não paramétrico. Uma ão técnica onde está não sendo paramétrica construída é esta aquela nova que não interligação faz suposições entre Brasil e Uruguai, sobre a e distribuição as principais Linhas de de dados Transmissão subjacente. e Isso Subestações contrasta da região com em outras técnicas como SVM [17] em que é possível descartar sem problemas vetores que não são de suporte. A KNN realiza as decisões com base em todo o conjunto de treinamento. Esta abordagem torna-se importante visto que os elementos do sistema elétrico se modificam em relação a fabricantes, modelos e desta forma é necessário incluir a adicionar um conjunto de treinamento específico para cada caso e verificar todos os casos para a detecção dos elementos de composição do cenário de uma subestação, por exemplo. IV. METODOLOGIA A metodologia proposta neste trabalho para realização do reconhecimento dos transformadores em uma cena qualquer

4 em um Sistema Elétrico é realizada em etapas, que pode ser visualizada de acordo com a Figura 2. A contribuição principal desta metodologia quando comparada, por exemplo, ao uso de marcadores tradicionais de realidade aumentada (tags de RA) é que as imagens dos transformadores são utilizadas como marcadores naturais e independem do uso das tags nos equipamentos, além de possibilitar a detecção sob diferentes ângulos de visualização do equipamento. Outro fator importante é que o uso das tags de RA se desgastam com o tempo e podem impossibilitar a detecção correta do equipamento. Na metodologia proposta, as imagens obtidas são préprocessadas e convertidas de imagens coloridas (modelo de A biblioteca OpenCV [18]. implementa a funcionalidade de match dos descritores obtidos no SURF com uso de KNN em que são passadas como parâmetros: a matriz com descritores da imagem analisada; uma matriz de descritores obtidos na fase de treinamento; o valor de k definido para o funcionamento do algoritmo. Ao fim da análise os matches que satisfazem as correspondências são armazenados em um vetor de elementos do tipo <DMatch> definido no OpenCV. Após a etapa de extração de características e avaliação com base no cálculo das distâncias entre os matches do treino e os matches obtidos na detecção com classificação KNN considerando a distância euclidiana entre os matches. Dessa forma são descartados alguns keypoints considerados ruins obtidos pelo SURF. Com base nos resultados que restaram (considerados boas correspondências) é feito o cálculo da homografia[19], ou seja, da transformação entre dois espaços em que cada ponto de um plano corresponda a outro em outro plano. É a transformação de coordenadas do ponto do plano da imagem às coordenadas no mundo real ou na nova imagem do mundo real.neste trabalho, como os espaços são duas imagens que se referem a dois planos distintos, sendo classificado como homografia 2D. Com base em um conjunto de pontos do plano da origem e pontos da cena analisada é calculada uma matriz de transformação de perspectiva. V. RESULTADOS OBTIDOS Com os resultados obtidos desta abordagem SURF com classificador KNN foi possível detectar vários transformadores em cenas reais obtidas do ambiente de produção da CHESF na SUAPE III. Das imagens obtidas deste ambiente, apenas 27 continham transformadores para realização dos testes e com base nesta base de imagens foi possível obter resultados de acerto de 75,69 % (média de todas as imagens analisadas), demonstrados na Tabela 1 que mostra a taxa de acerto e o tempo de processamento. TABELA I. DETECÇÃO DE TRANSFORMADORES Figura 2: Etapas para detecção de transformadores. cor RGB) para imagens em escala de cinza, devido à facilidade e eficiência do ponto de vista computacional. De acordo com os estados presentes no fluxograma, após a transformação inicial das imagens em escala de cinza, a etapa de efetivo início da detecção trata-se da identificação na imagem das imagens treinadas através do uso do SURF. Com essa abordagem os keypoints identificados nas imagens de treino são associados à imagem alvo ou à cena que contém o transformador através da análise dos matches e classificação KNN. Quantidade de interligação entre Brasil e Uruguai, e as principais Linhas de Transmissão e imagens de treino 4 Quantidade de cenas testadas: 27 Dimensões das cenas: 3456x4608 pixels Cenas testadas Taxa de acerto Tempo Total 1 (melhor caso) 100% 23 s ,05% 5 1 (melhor caso) 15,18 min 100% 32,9 s ,77% 20,3 min 8 1 (melhor caso) 100% 47 s ,69% 31,2 min

5 Figura 3: Detecção de transformador em panorama Com base nestes resultados é possível afirmar que o tempo para análise em tempo real, apesar da taxa razoável de acerto é um problema a ser resolvido. Podemos inferir ainda que quanto maior a base de imagens de treino, maior a taxa de acertos, porém maior o tempo de processamento. Alguns dos resultados obtidos deste trabalho podem ser vistos nas Figuras 3, 4, 5 e 6. Após a identificação de correspondências obtidas pelo SURF e KNN, o cálculo da matriz de homografia e transformação da projeção entre a imagem de treino e o transformador detectado na imagem é traçado um plano referente ao plano correspondente da imagem original com base nas correspondências encontradas entre treino e detecção. diversos tamanhos para a identificação dos keypoints. Este processo melhora à medida que existe maior detalhamento do objeto a ser detectado. Outro resultado importante é que os equipamentos são detectados mesmo sob diferentes pontos de vista do transformador na imagem (Figura 6), visto que na fase de treino diferentes perspectivas são utilizadas para o treinamento do equipamento. Figura 4: Transformadores detectados com foto tirada em distância mediana ao equipamento (nota-se que na imagem à esquerda que um dos transformadores não foi detectado). Figura 6: Transformadores em diferentes perspectivas detectados. Dessa forma os resultados alcançaram o objetivo principal desta pesquisa que é a detecção conseguindo uma taxa de acerto superior a 70% em várias imagens. Figura 5: Transformador com foto tirada próxima ao equipamento. As figuras 4 e 5 mostram que quanto maior a proximidade do equipamento, maior o grau de acerto na detecção. Isso é causado pelo próprio processo de funcionamento do SURF que utiliza imagens com filtros decorrentes de gaussianas em interligação entre Brasil e Uruguai, VI. e CONCLUSÃO as principais Linhas de Transmissão e Um grande desafio na área de Visão Computacional é a relação de abstração de informações do mundo real para serem inseridas em ambiente computacional. Cada elemento possui particularidades e deve ser mapeado ou detectado de maneira específica. Além disso, é necessário garantir sistemas capazes de realizar o reconhecimento das imagens em um custo baixo de processamento para possibilitar o seu uso em sistemas de tempo real. A combinação da detecção de equipamentos com ambiente de realidade aumentada proporciona ainda um ambiente inovador que exibe informações do sistema de maneira mais natural quando comparado aos sistemas tradicionais de visualização de estado dos equipamentos. Desta forma outra

6 contribuição que este trabalho busca é a melhoria da exibição de informações dentro dos sistemas elétricos. Com base nos resultados obtidos foi possível detectar transformadores de um ambiente real de produção da CHESF com taxa de acerto 75,69% na detecção dos transformadores e tempo médio de processamento de 5,75s para cada imagem de treino aplicada a uma imagem de teste. O tempo total de processamento com 8 imagens de treino para cada imagem foi de aproximadamente 47s. Dessa forma a utilização de SURF para extração de características e identificação de keypoints associado à classificador KNN para melhoria dos resultados possibilita uma detecção genérica baseada em treinamento de elementos do sistema elétrico. O tempo ainda é um fator a ser melhorado para possibilitar a efetiva utilização destas técnicas. Podemos enumerar trabalhos futuros que estão relacionados com testes utilizando as técnicas desenvolvidas neste trabalho, que são: a realização de testes com outros equipamentos da subestação; obter imagens que identifiquem melhor o transformador (gerando mais keypoints) para possibilitar melhor as taxas de acerto com menor quantidade de imagens de treino e o aumento da base de imagens, que se torna uma tarefa difícil por se tratar de um ambiente perigoso que possui diversas regras inclusive para visitação para aquisição das imagens, apesar de todo o esforço da equipe da CHESF. Além disso, podemos destacar como meta futura a inclusão de informações obtidas da base de dados sobre os transformadores detectados neste trabalho, que visa a construção de um ambiente de visualização com informações reais em espaço virtual, possibilitando uma nova forma de análise e monitoramento de informações. REFERÊNCIAS [1] KIRNER, C.; KIRNER, T. G. Virtual Reality and Augmented Reality Applied to Simulation Visualization, In: Virtual Technologies: Concepts, Methodologies, Tools and Applications, IGI Global, Ed. J. Kisielnicki, 2008, pp [2] MARTINS, J. F.; SILVA, J. A.; SOUSA, A. A. Reconhecimento de Fachadas de Edifícios em Imagens de Ambientes Urbanos. In: 17º Encontro Português de Computação Gráfica (EPCG), 2009, Covilhã. [3] ZHANG, W.; KOSECKÁ, J. Localization Based on Building Recognition. George Mason University. In: IEEE Workshop on Applications for Visually Impaired, 2005, p [4] AÑEZ, F. G. Two Innovative Steps for Training on Maintenance: VIRMAN Spanish Project based on Virtual Reality STARMATE European Project based on Augmented Reality. In: ICAPP'02: International congress on advances in nuclear power plants, Hollywood, FL (United States), 9-13, [5] ARENDARSKI, B.; TERMATH, W.; MECK-ING, P. Maintenance of Complex Machines in Electric Power Systems Using Virtual Reality Techniques. In: IEEE International Symposium on Eletrical Insulation (ISEI), pp , [6] WUEST, H.; STRICKER, D. Tracking of industrial objects by using CAD models. Journal of Virtual Reality and Broadcasting, Vol. 04, no. 1, [7] CROW, M.L.; SHETTY, N. Electric Power Measurements and Variables, Encyclopedia of Energy, Elsevier, Vol. 2., pp , [8] SZELISKI, R. Computer Vision Algorithms and Applications. Springer, Disponível em: < Acesso em 07 de maio de [9] OSHIRO, S. H.; GOLDSCHMIDT, R. R. Processamento de Imagens. Instituto Militar de Engenharia, Rio de Janeiro, [10] GONZALES, R.C.; WOODS, R.E. Digital Image Processing. Nova Jersey: Prentice Hall, p. [11] BAY, H.; ESS, A.; TUYTELAARS, T.; GOOL, L. V. Speeded-up robust features (SURF). Computer vision and image understanding, vol. 110, no. 3, pp , [12] LOWE, D. G. Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, Vol. 60, no. 02, pp , [13] MAIA, J. G. R. Detecção e Reconhecimento de Objetos usando Descritores Locais. Tese de Doutorado, Departamento de Computação UFCE, [14] HAAR, A. Theorie der orthogonalen funktionensysteme. Mathematische Annalen, v. 69, n. 1, p , [15] SERGIEH, H. M.; EGYED-ZSIGMOND, E.; DÖLLER, M.; COQUIL, D.; PINON, J. M.; KOSCH, H. Improving SURF Image Matching Using Supervised Learning. In: SITIS, pp IEEE, [16] ELKAN, C. Nearest Neighbor Classification. University of California. Disponível em: < Acesso em 20 de junho de [17] CORTES, C.; VAPNIK, V. Support-vector networks. In: Machine Learning, Boston: Kluwer Publishers, v. 20, pp , [18] Open Source Computer Vision Library (OpenCV). Disponível em: < Acesso em 16 de abril de [19] OpenCV Documentation. Camera Calibration and 3D Reconstruction findhomography. Disponível em: < 3d_reconstruction.html>. Acesso em 12 de setembro de interligação entre Brasil e Uruguai, e as principais Linhas de Transmissão e