Divisão de Engenharia Civil Ano: 2022
(Turma 2022, TGs 2022)
Identificação e Classificação de Patologias em pavimentos utilizando Machine Learning (pdf 4,03 MB)
Autor: Guilherme Elias Bastos de Melo
Orientador(es): Cláudia Azevedo Pereira e Dra. Priscila Caterine de Brito Cataldi (CODCTA)
Relator(es): Marcelo Xavier Guterres
Ano: 2022
Resumo:
A infraestrutura rodoviária é suscetível á degradação estrutural e funcional diversos fatores como tráfego elevado, condições climáticas adversas, entre outros. Nesse sentido, promover a manutenção adequada do pavimento é de suma importância para funcionalidade da rodovia. No entanto, um cronograma de manutenção de infraestrutura só é eficaz quando associado a um cronograma de monitoramento de qualidade do pavimento. Além disso, os métodos de avaliação da qualidade de rodovias são normalmente ensaios manuais de observação superficial do asfalto, que são demorados e onerosos em recursos humanos. Motivado por essa dificuldade em avaliar o pavimento de maneira mais eficiente, esse trabalho propõe um modelo preditivo de Deep Leaning, utilizando Redes Neurais Residuais a partir de uma base de dados de imagens de pavimentos GAPs, para contribuir com a automatização da avaliação estrutural de rodovias. Neste trabalho, avaliou-se a performance de um modelo de ResNet18 aplicado nessa base de dados GAPs, sujeito a técnicas de treinamento mais utilizadas na literatura. Abstract:
The road infrastructure is susceptible to structural and functional degradation by several factors such as high traffic, adverse weather conditions, among others. In this sense, promoting adequate maintenance of the pavement have great importance for the functionality of the highway. However, an infrastructure maintenance schedule is only effective when associated with a pavement quality monitoring schedule. In addition, the methods for evaluating the quality of highways are normally manual tests of surface observation of the asphalt, which are time-consuming and costly in terms of human resources. Motivated by this difficulty in evaluating the pavement more efficiently, this work proposes a predictive model of Deep Leaning, using Residual Neural Networks from a database of images of pavements GAPs, to contribute to the automation of the structural evaluation of highways. In this work, the performance of a ResNet18 model applied to this database GAPs was evaluated, subject to the training techniques most used in the literature.
