Divisão de Engenharia Civil Ano: 2021
(Turma 2021, TGs 2021)
Identificação automatizada de padrões de trincas em pavimentos (pdf 1,69 MB)
Autor: Caio Chacon da Rocha Brasil
Orientador(es): Cláudia Azevedo Pereira
Relator(es): Marcelo Xavier Guterres
Ano: 2021
Resumo:
O gerenciamento ativo de pavimentos preocupa-se, entre outras diretrizes, com as condições de serviço de estradas e pavimentos com o intuito de preservar a segurança e conforto dos usuários. Por esse motivo, a verificação da presença de defeitos é uma preocupação. No presente estudo, foi proposto uma metodologia para realizar o processo de identificação de defeitos em pavimentos de modo a reduzir custos operacionais, já que a intervenção precoce acarreta melhor aplicação dos recursos, além de auxiliar e agilizar o processo de monitoramento. Partindo-se de um banco de dados de 40.000 imagens de concreto de resolução 227 x 227, realizou-se um procedimento específico com a intenção de obter um algoritmo capaz de classificar cada imagem de maneira autônoma e com alta acurácia. Cada rótulo atribuído, refere-se a presença ou não de defeito, ou tipo de trinca para aqueles apontados com defeito. Neste estudo, as trincas foram classificadas conforme três disposições geométricas: diagonal, longitudinal ou transversal. O pré-processamento das imagens é composto das técnicas de filtro de suavização bilateral, sobreposição orientável em kernel gaussiano e projeção de eixo. Em seguida, os dados do banco de 500 imagens de trincas em cada classe foram submetidos a um processo de Aprendizado de Máquina (AM), em que quatro diferentes técnicas são aplicadas comparativamente. Em geral, a que teve o melhor desempenho foi o algoritmo de K-Nearest Neighbors (KNN), o qual correspondeu a cerca de 93% e 87% em acurácia na classificação quanto à presença de defeitos e identificação do tipo de trinca, respectivamente. Abstract:
The active management of pavements is concerned, among other guidelines, with the service conditions of roads and pavements in order to preserve the safety and comfort of users. For this reason, checking for the presence of distresses is a need for constant concern. In the present study, a methodology was proposed to carry out the process of identifying distresses in pavements in order to reduce operating costs, since early intervention leads to better application of resources, in addition to helping and speeding up the monitoring process. Starting from a database of 40,000 concrete images of 227x227 resolution, a specific procedure was performed with the intention of obtaining an algorithm capable of classifying each image autonomously and with high accuracy. Each label assigned refers to the presence or absence of a distress, or type of crack for those indicated as distress. In this study, cracks were classified according to three geometric arrangements: diagonal, longitudinal or transversal. The pre-processing of the images is composed of the techniques of bilateral smoothing filter, steerable filter in Gaussian kernel and axis projection. Then, the data from the bank of 500 images of cracks in each class were submitted to a machine learning process, in which four different techniques are applied comparatively. In general, the one with the best performance was the K-Nearest Neighbors (KNN) algorithm, which corresponded to about 93% and 87% in accuracy in classifying the presence of distress and identification of the type of crack, respectively.
