Defesa de Dissertação: Juliana Peixoto Silva Alencar

Título: Deep neural networks for pavements distress detection

Data: 23/03/2022

Horário: 08h30min

 

Local: Videoconferência

 

Resumo:

A detecção automática de desgastes permite uma melhor aplicação dos recursos destinados à manutenção das estradas no pavimento, proporcionando uma grande economia de despesas. De todas as técnicas de detecção disponíveis, o uso de métodos baseados em imagens em estruturas de redes neurais é o que oferece o melhor compromisso entre custo e precisão. Redes Neurais Convolucionais (CNNs) são modelos de redes de aprendizagem profunda especialmente projetados para problemas de processamento de imagem, e têm alcançado resultados notáveis em muitas aplicações. Inspirados no sucesso de tais modelos, neste trabalho avaliamos o desempenho de 8 métodos de CNN na tarefa de detecção de desgastes em imagens de pavimentos. Essa tarefa foi realizada através do desenvolvimento de três modelos de detecção. O primeiro consiste em um detector binário de buracos; o segundo é um detector binário de desgaste no pavimento, considerando três tipos de defeito: buraco, trinca e remendo; e o terceiro é um detector multiclasse de defeito no pavimento, considerando os três tipos de defeitos mencionados para o caso binário. Junto com a avaliação das arquiteturas CNNs, também testamos o impacto do uso de modelos CNN com pesos pré-treinados com procedimentos de ajuste fino e técnicas de aumento de dados. Tais procedimentos possibilitam o uso de menos imagens de treinamento, característica importante, visto que a obtenção de imagens rotuladas nem sempre é viável e, normalmente, é trabalhosa. Avaliamos nossa abordagem com um conjunto de dados de imagens de estradas brasileiras adquiridas de uma câmera acoplada a um veículo, uma configuração usual. Com base em nossos resultados, podemos afirmar que modelos CNN pré-treinados com ajuste fino constituem uma técnica promissora para detecção de desgastes em imagens de pavimentos, especialmente quando não há disponibilidade de uma grande quantidade de dados rotulados.

Banca examinadora:

  • Prof. Dr. João Paulo Pordeus Gomes (MDCC/UFC) - Orientador
  • Prof. Dr. César Lincoln Cavalcante Mattos (MDCC/UFC) - Coorientador
  • Prof. Dr. João Paulo do Vale Madeiro (MDCC/UFC)
  • Prof. Dr. Ajalmar Rego Rocha Neto (IFCE)