StoneScan: Classificação Automatizada de Rochas Ornamentais por Redes Neurais Convolucionais

• Rafael Vargas Mesquita dos Santos IFES
• Sofia Pereira Bachetti Sartorio IFES
• Isabella Fornazier Silotti IFES
• Alessandro Mion Batista IFES

DOI: https://doi.org/10.5753/encompif.2026.20200

Resumo

Este trabalho propõe um sistema de visão computacional para classificação automática de rochas ornamentais a partir de imagens de smartphones. Com transfer learning (ResNet18) e validação cruzada estratificada (5 folds), o modelo identifica cinco classes. Aumento de dados e busca em grade resultaram em acurácia média de 98,62% (±0,83%) e Kappa de 0,9826, superando um baseline linear. Os resultados, no conjunto avaliado, evidenciam a viabilidade de CNNs na discriminação de padrões visuais e sua integração em um aplicativo móvel, indicando potencial de uso em campo.

Referências

Cheng, L., Zhang, H., and Wang, Q. (2022). Deep learning applications in material science: a review. Journal of Materials Research and Technology, 21:1332–1350.

Garg, S. and Dhiman, G. (2021). A comprehensive review of transfer learning for image classification. Artificial Intelligence Review, 54(1):555–605.

He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 770–778.

Kumar, S., Jain, P., and Singh, V. (2023). Digital transformation in the construction industry: A review of ai applications. In Proceedings of the 2023 International Conference on Artificial Intelligence and Smart Systems (ICAIS), pages 1201–1207. IEEE.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature, 521(7553):436–444.

Liu, L., Ouyang, W., Wang, X., Fieguth, P., Chen, J., Liu, X., and Pietikäinen, M. (2019). Deep learning for generic object detection: A survey. International Journal of Computer Vision, 128(2):261–318.

Shorten, C. and Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1):1–48.

Silva, C. F. d. (2021). Redes residuais: Sobre quantidade de camadas e variância intraclasse utilizando aprendizagem não supervisionada. Dissertação de mestrado, Programa de Pós-Graduação em Informática, Universidade Federal da Paraíba (UFPB/CI), João Pessoa, PB.

Soares, P., Ensina, L., and Foleis, J. (2025). A hybrid approach combining cnn and ensemble algorithms for dermoscopic image classification. In Anais do XXII Encontro Nacional de Inteligência Artificial e Computacional, pages 1527–1538, Porto Alegre, RS, Brasil. SBC.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research, 15(1):1929–1958.