Algoritmo de detecção de rachaduras no concreto asfáltico betuminoso por meio de visão computacional

• Abdul Rahman Kassem Kassem UDC
• Miguel Diogenes Matrakas UDC https://orcid.org/0000-0002-7047-5437
• Alessandra Bussador UDC https://orcid.org/0000-0002-5900-9398

DOI: https://doi.org/10.5753/latinoware.2024.245330

Resumo

Este estudo explora o uso de técnicas de visão computacional para automatizar a detecção de rachaduras em imagens digitais de asfalto, com o objetivo de melhorar a manutenção das rodovias brasileiras. A má conservação das estradas não apenas aumenta os custos operacionais para as empresas de transporte, mas também compromete a segurança dos usuários, elevando o risco de acidentes. Com a implementação de um sistema automatizado para a detecção precoce de rachaduras, é possível realizar intervenções preventivas, evitando danos mais graves ao pavimento e reduzindo os custos de manutenção ao longo do tempo. A pesquisa propõe o desenvolvimento de um protótipo utilizando o algoritmo YOLO para a detecção de rachaduras, estabelecendo as bases para futuras implementações. Embora a criação de um banco de imagens diversificado e a implementação prática do protótipo ainda estejam por ser realizadas, a metodologia apresentada fornece uma base sólida para trabalhos futuros. Os próximos passos envolverão a construção do banco de imagens, o treinamento do modelo e a avaliação de sua eficácia.

Palavras-chave: Visão Computacional, YOLO, Detecção de Rachaduras

Referências

G1, “Por que o brasil depende tanto do transporte rodoviário?” 5 2018. [Online]. Available: [link]

——, “Veja ranking das piores e melhores rodovias do país, segundo confederação nacional do transporte,” 11 2023. [Online]. Available: [link]

CNT, “Conheça os 13 principais defeitos do pavimento das rodovias,” 2 2018. [Online]. Available: [link]

M. Gonçalves, T. Marques, P. D. Gaspar, V. N. Soares, and J. M. Caldeira, “Road pavement damage detection using computer vision techniques: Approaches, challenges and opportunities,” Revista de Informatica Teorica e Aplicada, vol. 30, pp. 22–35, 10 2023.

D. Milano and L. Honorato, “Visão computacional,” p. 7, 2010.

R. C. Gonzalez and R. E. R. E. Woods, Digital image processing. Pearson, 12 2018.

M. V. Ferreira, K. M. D. S. Oliveira, A. O. C. Filho, and A. Dalília, “Deep learning uma introdução às redes neurais,” p. 21, 2017.

U. Sirisha, S. P. Praveen, P. N. Srinivasu, P. Barsocchi, and A. K. Bhoi, “Statistical analysis of design aspects of various yolo-based deep learning models for object detection,” International Journal of Computational Intelligence Systems, vol. 16, 12 2023.

DSA, “Segmentação de imagens médicas com deep learning,” 3 2024. [Online]. Available: [link]

Piemontez, “Yolo para detecção de objetos – visão geral,” 9 2022. [Online]. Available: [link]

V. Rodrigues, “Métricas de avaliação: acurácia, precisão, recall... quais as diferenças?” 4 2019. [Online]. Available: [link]

P. Ostwal, “Data augmentation for computer vision,” 2 2023. [Online]. Available: [link]