Use este identificador para citar ou linkar para este item:
https://repositorio.ufpa.br/jspui/handle/2011/16621
Tipo: | Tese |
Data do documento: | 29-Mai-2024 |
Autor(es): | ARAÚJO, Thabatta Moreira Alves de |
Afiliação do(s) Autor(es): | CEFET - Centro Federal de Educação Tecnológica de Minas Gerais |
Primeiro(a) Orientador(a): | FRANCÊS, Carlos Renato Lisboa |
Título: | Detecção de danos em superfícies geotécnicas com redes neurais convolucionais de baixa complexidade |
Citar como: | ARAÚJO, Thabatta Moreira Alves de. Título: Detecção de danos em superfícies geotécnicas com redes neurais convolucionais de baixa complexidade. Orientador: Carlos Renato Lisboa Francês. 2024. 139 f. Tese (Doutorado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2024. Disponível em: https://repositorio.ufpa.br/jspui/handle/2011/16621. Acesso em:. |
Resumo: | 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. |
Abstract: | Most natural disasters result from geodynamic events, such as landslides and collapse of geotechnical structures. These failures are catastrophic that directly impact the environment and cause financial and human losses. Visual inspection is the main method for detecting surface flaws in geotechnical structures. However, visits to the site can be risky due to the possibility of soil’s instability. Furthermore, the terrain design, hostile environment and remote installation conditions make access to these structures impractical. When a quick and safe assessment is necessary, computer vision analysis becomes a potential alternative. However, studies on computer vision techniques still need to be explored in this field due to the particularities of geotechnical engineering, such as limited, redundant and scarce public data sets. In this context, this thesis presents a redes neurais convolucionais, do inglês Convolutional Neural Network (CNN) approach for identifying defects on the surface of geotechnical structures to reduce dependence on human-led on-site inspections. To this end, images of surface failure indicators were collected on slopes on the banks of a Brazilian highway, with the help of UAVs and mobile devices. Next, low-complexity CNN architectures were explored to build a binary classifier capable of detecting flaws apparent to the naked human eye in images. The architecture composed of three convolutional layers, each with 32 filters, followed by two fully connected layers, each composed of 128 neurons and output with one neuron, showed an accuracy of 94.26%. The performance evaluation of the model with the test set obtained AUC metrics of 0.99, confusion matrix, and a AUPRC curve that indicates robust performance of the classifier in detecting damage, while maintaining a low computational complexity, making it suitable for applications field practices. The contributions of the thesis include the provision of an image database, the obtaining of a classification model suitable for scarce data and limited computational resources, and the exploration of strategies for remote inspection and detection of signs of failure in geotechnical structures. |
Palavras-chave: | Visão computacional Redes neurais convolucionais Arquitetura enxuta Inspeção remota Estruturas geotécnicas Identificação de falhas Computer vision Defect identification Convolutional neural networks (CNNs) Suitable architecture Geotechnical structures Remote inspection |
Área de Concentração: | COMPUTAÇÃO APLICADA |
Linha de Pesquisa: | INTELIGÊNCIA COMPUTACIONAL |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
País: | Brasil |
Instituição: | Universidade Federal do Pará |
Sigla da Instituição: | UFPA |
Instituto: | Instituto de Tecnologia |
Programa: | Programa de Pós-Graduação em Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
Fonte URI: | Disponível na internet via correio eletrônico: bibliotecaitec@ufpa.br |
Aparece nas coleções: | Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Tese_DeteccaoDanos Superficies.pdf | 34,09 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons