Small Unmanned Aircraft Systems (sUAS) autônomos são o novo modal para serviços de logística, transporte de mercadorias e segurança urbana por se tratar de veículos voadores pequenos, ágeis e com custo acessível. Contudo, o seu uso em grandes centros urbanos passa por diversos desafios, como a correta detecção de elementos presentes no ambiente percorrido, dentre eles os fios e cabos elétricos que ficam visíveis nos postes das ruas, que são difíceis de serem detectados por se tratar de segmentos longos e finos, gerando pouco contraste com a paisagem de fundo, representando um potencial risco de acidente que pode resultar em danos materiais e/ou à segurança das pessoas em caso de colisão. O momento crítico para colisão com esses elementos acontece durante a aproximação para pouso e decolagem, quando o sUAS está em baixa altitude e próximo ao solo. Uma forma de mitigar acidentes e tornar o uso de UASs mais seguro é por meio da correta detecção destes fios e cabos elétricos, podendo ser com o uso da câmera que está embarcada nos sUAS. A proposta deste trabalho é realizar a segmentação semântica de fios e cabos elétricos por meio de técnicas de visão computacional e aprendizagem profunda, abrangendo tanto imagens estáticas quanto vídeos. Foi implementada uma rede de aprendizado profundo chamada U-Net customizada e o seu treinamento com um dataset específico de fios e cabos elétricos em ambiente urbano com o intuito de realizar a segmentação semântica nas imagens estáticas e nos vídeos. Os resultados obtidos demonstram que a arquitetura personalizada da U-Net é capaz de identificar e segmentar com eficácia fios e cabos elétricos em imagens de ambientes urbanos, contribuindo para a melhoria na performance dos sistemas de detecção e desvio (DAA) e aumentando a segurança no uso de sUAS em áreas urbanas densas, durante os momentos críticos de aproximação para pouso e na decolagem. Com esta pesquisa, espera-se contribuir para o sistema DAA de UASs, visando a uma utilização segura dessas aeronaves no espaço aéreo de baixa altitude e fora da linha de visada em ambientes urbanos.

Small Unmanned Aircraft Systems (sUAS) will be a new modal for cargo transport within urban and suburban areas and security services, as they are small, agile, and low-cost vehicles at lower altitudes. However, its use in urban areas presents several challenges. One crucial is the detection of cables and power lines on power poles that are exposed on streets, as this detection brings many other challenges to be faced, e.g., they are difficult to detect because their structure is long and thin when compared to a noisy image background. Therefore, detection systems can avoid accidents that cause material damage and injury to people. The critical moment for collision with these elements occurs during the approach for landing and takeoff when the sUAS is at a low altitude and close to the ground. One way to avoid accidents caused by this type of vehicle is by detecting cables and power lines with an embedded camera installed in each sUAS. The proposed method in this work is to perform the semantic segmentation of cables and power lines in sUAS images through computer vision applications and deep learning techniques. This encompasses both static images and videos. A Convolutional neural network (CNN) called U-Net was customized and implemented, and the UAS images dataset of power lines in urban and suburban areas was used in training, testing, detection, and validation, with the aim of performing semantic segmentation in static images and videos. The results obtained demonstrate that the customized architecture of the U-Net is capable of effectively identifying and segmenting cables and power lines in images of urban environments, contributing to the improvement in the performance of detect and avoid systems (DAA) and increasing safety in the use of sUAS in dense urban areas, during critical moments of approach for landing and takeoff. With this research, it is expected to contribute to the DAA system of UASs, aiming for the security utilization of these aircraft in lowaltitude airspace and beyond line-of-sight in urban environments.