Navegando por Assunto "Defect identification"

Agora exibindo 1 - 1 de 1

Acesso aberto (Open Access)
Detecção de danos em superfícies geotécnicas com redes neurais convolucionais de baixa complexidade
(Universidade Federal do Pará, 2024-05-29) ARAÚJO, Thabatta Moreira Alves de; FRANCÊS, Carlos Renato Lisboa; ttp://lattes.cnpq.br/7458287841862567
A maioria dos desastres naturais resulta de eventos geodinâmicos, como deslizamentos de terra e colapso de estruturas geotécnicas. Essas falhas causam catástrofes que impactam diretamente o meio ambiente e causam perdas financeiras e humanas. A inspeção visual é o principal método para detectar falhas em superfícies de estruturas geotécnicas. Todavia, as visitas no local podem ser arriscadas devido à possibilidade de solo instável. Além disso, o design do terreno e as condições de instalação hostis e remotas inviabilizam o acesso a essas estruturas. Quando uma avaliação rápida e segura é necessária, a análise por visão computacional torna-se uma alternativa. No entanto, estudos em técnicas de visão computacional ainda precisam ser explorados neste campo devido às particularidades da engenharia geotécnica, como dados públicos limitados, redundantes e escassos. Neste contexto, esta tese apresenta uma abordagem com Redes Neurais Convolucionais para a identificação de defeitos na superfície de estruturas geotécnicas com o objetivo de reduzir a dependência de inspeções no local conduzidas por humanos. Para tanto, foram coletadas imagens de taludes às margens de uma rodovia brasileira, com o auxílio de veículo aéreo não tripulado (VANT) e dispositivos móveis. Em seguida, foram exploradas arquiteturas de baixa complexidade para construir um classificador binário capaz de detectar em imagens falhas aparentes a olho nu humano. A arquitetura composta por 3 camadas convolucionais, cada uma com 32 filtros, seguidas por duas camadas densas de 128 neurônios cada, e saída com um neurônio apresentou acurácia de 94,26%. A avaliação de desempenho com o conjunto de teste obteve índice AUC de 0,99, matriz de confusão e precisão-revocação (AUPRC) que indicam desempenho robusto do classificador mesmo com desequilíbrio de classes, ao mesmo tempo que mantém uma baixa complexidade computacional, tornando-a adequada para aplicações práticas em campo. As contribuições da tese incluem a disponibilização de banco de imagens, a obtenção de um modelo de classificação adequado para dados escassos e desequilibrados e recursos computacionais limitados, e uma estratégia para automação da inspeção em estruturas geotécnicas.