Mas como funciona o projeto?

De forma mais específica, a Pix Force buscou uma solução a partir dos dados coletados pela Neoenergia e outras fontes externas. Profissionais de visão computacional, sensoriamento remoto e de outras frentes ajudaram no desenvolvimento de uma metodologia capaz de criar um mapa de calor. Neste mapa, foi possível apontar a probabilidade de fraudes e furtos de energia nas redes de áreas rurais, principais regiões que o estudo abarcou. Para isso, partimos da busca automática de imagens de satélites disponíveis para segmentação e classificação de propriedades rurais, pivôs centrais de irrigação e outros pontos de interesse. As análises levaram em consideração as distâncias entre os medidores de energia elétrica em relação à rede de distribuição e à localização dos pontos de interesse. Assim, visitas técnicas puderam ser priorizadas por meio de uma análise de probabilidade de irregularidades. O projeto desenvolveu uma plataforma web, que permitia aos analistas criarem missões de fiscalização de campo a partir do mapa de calor e um aplicativo mobile. Esses facilitam aos agentes de campo o recebimento das informações das missões definidas com as devidas orientações geográficas. O aplicativo permitiu, ainda, a captura e o envio de fotos para tomadas de decisões direcionadas. A ferramenta desenvolvida para a criação dos mapas de calor teve o envolvimento de diversas tecnologias. Tudo foi possível a partir da captura de imagens de satélite Sentinel-2 e CBERS, de dados do Cadastro Ambiental Rural (CAR) e de dados da Agência Nacional de Águas (ANA), além de dados históricos comuns à operação da Neoenergia. A partir da estruturação desses dados, eles foram processados por algoritmos de detecção de bordas e alimentaram redes neurais e algoritmos de classificação treinado ao longo dos meses de projetos: • O CircleNet realizou a detecção dos pivôs e extração de informações sobre eles.

• RandomForest e SVM fizeram a seleção e classificação das demais características

A seleção das regiões de interesse foi feita com a preparação de dados vetoriais dos recursos hídricos e com o apontamento de medidores por meio dos dados da Neoenergia. Esses foram usados para os treinamentos que resultaram na geração de mapas de calor com as probabilidades de possíveis fraudes e furtos. Com isso, a metodologia utilizada se mostrou adequada ao objetivo do projeto, com a obtenção de resultados significativos e inovativos para o setor elétrico .