Estudo de Viabilidade de Visão Computacional Alinhada à Decodificação de Padrões Corrosivos

• Aline Rodrigues Batista IFSP
• Diogo da Silva Almeida IFSP
• Gabriel Antonio Tavares da Silva IFSP
• Maria Eduarda Chidini de Freitas IFSP
• Pedro Lucas Cardoso Schizato IFSP
• Cristiano Alves Pessoa IFSP

DOI: https://doi.org/10.5753/latinoware.2025.16612

Resumo

Este estudo tem como propósito examinar a aplicação de metodologias de visão computacional na identificação e quantificação da corrosão em superfícies metálicas, considerando sua relevância tanto para a engenharia diagnóstica quanto para a mitigação de riscos estruturais. A investigação inicia-se pela problematização da corrosão, compreendida não apenas como fenômeno físico-químico, mas como processo informacional suscet ível à análise por algoritmos capazes de converter sinais visuais em dados estruturados. Metodologicamente, adotou-se uma revisão crítica da literatura, conduzida em etapas sistemáticas que envolveram levantamento, categorização e análise comparativa de publicações científicas recentes. Foram contemplados estudos que empregaram desde métodos clássicos de processamento digital de imagens até arquiteturas avançadas de aprendizado profundo, incluindo redes neurais convolucionais (CNNs), Mask-RCNN e YOLOv8. A categorização das fontes considerou critérios como tipo de dado analisado, métricas de desempenho, contexto de aplicação e robustez metodológica, permitindo mapear avanços, limitações e lacunas de pesquisa. Os resultados da revisão indicam que a visão computacional oferece benefícios relevantes, como automatização da inspeção, padronização diagnóstica e detecção precoce de processos corrosivos, inclusive em microestruturas captadas por microscopia eletrônica de varredura. Entretanto, também se evidenciaram desafios significativos, entre eles a necessidade de datasets extensos e diversificados, o alto custo computacional e a ausência de padrões consolidados para validação internacional.

Palavras-chave: isão computacional, corrosão, engenharia diagnóstica, processamento de imagens, aprendizado profundo

Referências

A. A. I. M. Ali, S. Jamaludin, M. M. H. Imran, A. F. M. Ayob, S. Z. A. S. Ahmad, M. F. A. Akhbar, M. I. R. Suhrab, and M. R. Ramli, “Computer vision and image processing approaches for corrosion detection,” Journal of Marine Science and Engineering, vol. 11, no. 10, p. 1954, 2023.

M. Khayatazad, L. De Pue, and W. De Waele, “Detection of corrosion on steel structures using automated image processing,” Developments in the Built Environment, vol. 3, p. 100022, 2020.

M. Rajendran and D. Subbian, “Deep learning in corrosion assessment and control: a critical review of techniques and challenges,” Corrosion Reviews, no. 0, 2025.

Z. Ameli, S. J. Nesheli, and E. N. Landis, “Deep learning-based steel bridge corrosion segmentation and condition rating using mask rcnn and yolov8,” Infrastructures, vol. 9, no. 1, p. 3, 2023.

A. Das, S. Dorafshan, and N. Kaabouch, “Autonomous image-based corrosion detection in steel structures using deep learning,” Sensors, vol. 24, no. 11, p. 3630, 2024.

B. Burton, W. T. Nash, and N. Birbilis, “Rustseg–automated segmentation of corrosion using deep learning,” arXiv preprint arXiv:2205.05426, 2022.

V. V. Maurente, N. R. Pereira, and E. Estrada, “Sistema de visão computacional para inspeção da corrosão, em estruturas metálicas na indústria do petróleo, gás natural e energias renováveis.” in Congresso Brasileiro de Automática-CBA, vol. 3, no. 1, 2022.

A. Rajender, A. K. Samanta, and A. Paral, “Comparative study of corrosion-based service life prediction of reinforced concrete structures using traditional and machine learning approach,” International Journal of Structural Integrity, vol. 16, no. 3, pp. 591–621, 2025.