Use este identificador para citar ou linkar para este item:
https://repositorio.pucgoias.edu.br/jspui/handle/123456789/6168
Tipo: | Trabalho de Conclusão de Curso |
Título: | Detecção de anomalias em pavimentos asfálticos usando redes neurais para segmentação de imagens |
Autor(es): | Antunes, Willian Moreira |
Primeiro Orientador: | Dantas, Maria José Pereira |
metadata.dc.contributor.referee1: | Dantas, Maria José Pereira Pereira Júnior, Wanderlei Malaquias |
metadata.dc.contributor.referee3: | Vedovatto, Thiago |
Resumo: | A identificação de buracos é um passo crucial na definição de estratégias de manutenção e intervenção em rodovias. Ao detectar defeitos nas estradas, as autoridades de transporte podem priorizar reparos e alocar recursos de forma mais eficaz, resultando em redução de custos operacionais e melhoria na segurança rodoviária. No entanto, os métodos convencionais de detecção manual são demorados e custosos devido ao alto consumo de recursos humanos e materiais. Diante desse cenário, a utilização de processamento digital de imagem e conceitos de deep learning para a identificação de buracos tem se mostrado uma abordagem promissora para aprimorar as estratégias de manutenção e intervenção em rodovias. Neste estudo, foi desenvolvido um método automático baseado em técnicas avançadas de segmentação de imagens, embasado em literatura especializada. O método utiliza a rede U-NET como base, substituindo a etapa de aprendizagem por um codificador EfficientNetV2, o que permite uma extração e reconstrução mais eficiente das imagens. Destaca-se a velocidade e eficiência desse método na detecção de anomalias nas superfícies dos pavimentos. Além disso, o método foi comparado com outros modelos existentes, apresentando resultados promissores durante os testes realizados. Um ponto de destaque é o baixo número de parâmetros utilizados pela rede, totalizando apenas 5,4 milhões, em comparação com outros modelos que variaram entre 14 e 45 milhões de parâmetros. Isso demonstra a eficiência e a capacidade de obter resultados satisfatórios com uma quantidade reduzida de parâmetros. |
Abstract: | Pothole identification is a crucial step in defining road maintenance and intervention strategies. By detecting road defects, transportation authorities can prioritize repairs and allocate resources more effectively, resulting in reduced operating costs and improved road safety. However, conventional manual detection methods are time-consuming and costly due to the high consumption of human and material resources. Given this scenario, the use of digital image processing and deep learning concepts to identify potholes has proven to be a promising approach to improve maintenance and intervention strategies on highways. In this study, an automatic method was developed based on advanced image segmentation techniques, based on specialized literature. The method uses the U-NET network as a base, replacing the learning step with an EfficientNetV2 encoder, which allows a more efficient extraction and reconstruction of the images. The speed and efficiency of this method in detecting anomalies on pavement surfaces stands out. In addition, the method was compared with other existing models, showing promising results during the tests performed. A highlight is the low number of parameters used by the network, totaling only 5.4 million, compared to other models that ranged between 14 and 45 million parameters. This demonstrates the efficiency and ability to obtain satisfactory results with a reduced number of parameters. |
Palavras-chave: | Aprendizado de máquina Segmentação semântica U-Net |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA |
Idioma: | por |
País: | Brasil |
Editor: | Pontifícia Universidade Católica de Goiás |
Sigla da Instituição: | PUC Goiás |
metadata.dc.publisher.department: | Escola Politécnica |
Tipo de Acesso: | Acesso Restrito |
URI: | https://repositorio.pucgoias.edu.br/jspui/handle/123456789/6168 |
Data do documento: | 28-Jun-2023 |
Aparece nas coleções: | TCC Ciência da Computação |
Arquivos associados a este item:
Arquivo | Tamanho | Formato | |
---|---|---|---|
TCC_WILLIAN_RAG.pdf Restricted Access | 1,7 MB | Adobe PDF | Visualizar/Abrir Solictar uma cópia |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
Ferramentas do administrador