Medição não invasiva de vibrações em tubulações utilizando imagens de alta velocidade e aprendizado profundo

Abstract

Esta dissertação propõe um método de medição não invasiva de vibrações em tubulações industriais utilizando câmeras de alta velocidade e técnicas de visão computacional. A motivação surge da limitação dos métodos tradicionais de monitoramento, que exigem contato direto com a estrutura e, muitas vezes, não são viáveis em ambientes industriais críticos, como refinarias de petróleo. O método proposto, em sua primeira etapa, estima o deslocamento de múltiplos pontos de interesse na estrutura utilizando rastreamento por fluxo óptico com base no método de Lucas-Kanade. A partir dos sinais de deslocamento medidos, o algoritmo identifica o ponto que apresenta a máxima amplitude de vibração (após a aplicação de um filtro Butterworth passa-banda) e, então, extrai a frequência dominante desse sinal específico por meio da análise de Fourier. Subsequentemente, para a visualização, o método emprega a magnificação euleriana de vídeo. Essa técnica decompõe espacialmente o vídeo de entrada em uma pirâmide laplaciana e, em cada nível, aplica uma transformada rápida de Fourier temporal. Um filtro passa-faixa, centrado na frequência dominante detectada, é aplicado no domínio da frequência para isolar e amplificar os componentes de movimento, que são, então, transformados inversamente e colapsa dos para reconstruir o vídeo final, tornando a vibração visualmente evidente. Para contornar as limitações de rastreamento do algoritmo clássico em superfícies industriais lisas e sem textura geométrica, o estudo também propõe e avalia a integração de uma arquitetura de aprendizado profundo para estimação de fluxo óptico denso (RAFT-Small). O modelo neural foi otimizado para lidar com microvibrações, reduzindo o custo computacional de inferência em aproximadamente 70% ao restringir as iterações recorrentes. Na análise comparativa, a abordagem profunda superou o método de Lucas-Kanade em estabilidade, mantendo um erro relativo máximo de 2,4% em relação ao transdutor de referência. O método global também considera os limites físicos do sistema, como a distância entre câmera e tubulação, o campo de visão e a resolução da imagem, sendo capaz de detectar deslocamentos mínimos da ordem de 0,02 mm na configuração experimental adotada, validando sua eficácia para instrumentação óptica em cenários industriais.

Abstract: This dissertation proposes a non-invasive vibration measurement method for industrial pipelines using high-speed cameras and computer vision techniques. The motivation arises from the limitations of traditional monitoring methods, which require direct contact with the structure and are often unfeasible in critical industrial environments, such as oil refineries. In its first stage, the proposed method estimates the displacement of multiple points of interest on the structure using optical flow tracking based on the Lucas-Kanade method. From the measured displacement signals, the algorithm identifies the point with the maximum vibration amplitude (after applying a Butterworth band-pass filter) and then extracts the dominant frequency of this specific signal through Fourier analysis. Subsequently, for visualization purposes, the method employs Eulerian video magnification. This technique spatially decomposes the input video into a Laplacian pyramid and, at each level, applies a temporal fast Fourier transform. A band-pass filter, centered on the detected dominant frequency, is applied in the frequency domain to isolate and amplify the motion components, which are then inversely transformed and collapsed to reconstruct the final video, making the vibration visually evident. To overcome the tracking limitations of the classical algorithm on smooth industrial surfaces lacking geometric texture, the study also proposes and evaluates the integration of a deep learning architecture for dense optical flow estimation (RAFT-Small). The neural model was optimized to handle micro-vibrations, reducing the computational inference cost by approximately 70% by restricting recurrent iterations. In the comparative analysis, the deep learning approach outperformed the Lucas-Kanade method in stability, maintaining a maximum relative error of only 2.4% compared to the reference transducer. The overall method also considers the physical limits of the system, such as the distance between the camera and the pipeline, the field of view, and the image resolution, being capable of detecting minimum displacements on the order of 0.02 mm in the adopted experimental setup, validating its effectiveness for optical instrumentation in real industrial scenarios.