Detecção de Rachaduras em Concreto em Imagens com o uso de Redes Neurais Convolucionais

• Luís Clício Carvalho Sá UFPI
• Vinícius de Sousa Carvalho UFPI
• José Wanderlei Francisco de Sousa Rocha UFPI
• Romuere Rodrigues Veloso e Silva UFPI

DOI: https://doi.org/10.5753/enucompi.2023.26616

Resumo

Rachaduras em infraestruturas de concreto podem causar danos estruturais graves e representam uma ameaça para a segurança pública, especialmente nas áreas próximas a essas estruturas. A inspeção dessas estruturas, em sua maioria, é difícil e dispendiosa, além de estar sujeita à subjetividade da avaliação do inspetor. Uma possível solução seria utilizar drones que empreguem técnicas de visão computacional, visando inspeções mais eficientes e seguras. No entanto, é necessário levar em consideração o custo de implementação, influenciado grandemente pelos recursos disponíveis nos drones. Desta forma, é adequado aplicar redes neurais convolucionais com arquiteturas focadas em baixo consumo computacional para auxiliar na detecção de rachaduras, de modo a equilibrar custo e eficiência. Nesse sentido, o presente trabalho tem o intuito de validar o uso da arquitetura MobileNetV2 para o atual problema de identificação de rachaduras em estruturas de concreto.

Palavras-chave: Concreto, Rachaduras, Detecção, CNN, MobileNetV2

Referências

Antelo, A. C. L. (2022). Visão computacional para detecção de hábitos alimentares. Tese de doutorado.

Arafin, P., Issa, A., and Billah, A. H. M. M. (2022). Comparação de desempenho de várias redes neurais convolucionais para classificação de defeitos em concreto. Sensors, 22(22).

Dung, C. V. and Anh, L. D. (2019). Detecção autônoma de trincas em concreto usando uma rede neural totalmente convolucional profunda. Automation in Construction, 99:52–58.

Flah, M., Suleiman, A. R., and Nehdi, M. L. (2020). Classificação e quantificação de trincas em estruturas de concreto usando técnicas de imagem de aprendizado profundo. Cement and Concrete Composites, 114:103781.

Kim, J. J., Kim, A.-R., and Lee, S.-W. (2020). Detecção e análise automatizada de trincas baseada em redes neurais artificiais para a inspeção de estruturas de concreto. Applied Sciences, 10(22):8105.

Özgenel, Ç. F. (2018). Imagens de trincas em concreto para classificação. Mendeley Data, 1(1).

Rizk, Y., Hajj, N., Mitri, N., and Awad, M. (2019). Redes de crenças profundas e algoritmos corticais: um estudo comparativo para classificação supervisionada. Applied Computing and Informatics, 15(2):81–93.

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). MobileNetV2: Resíduos invertidos e gargalos lineares. Em Atas da Conferência de Visão por Computador e Reconhecimento de Padrões da IEEE, páginas 4510–4520.