Estudo e aplicação de algoritmos de aprendizagem de máquina para detecção de fissuras.

Resumo

As fissuras representam um desafio significativo na construção civil, com implicações para a segurança, longevidade e eficiência. Detectar as fissuras cedo e implementar estratégias adequadas de reparo e manutenção são essenciais para proteger os ativos de infraestrutura e garantir sua funcionalidade e resiliência contínuas. Alguns pesquisadores empregaram algoritmos de inteligência artificial para ajudar na detecção de rachaduras na superfície. Neste trabalho, desenvolvemos o modelo U-Net-MobileNet para detecção de fissuras nos materiais de construção da engenharia civil. Detectar essas aberturas nas superfícies das construções é essencial em termos de durabilidade, integridade estrutural e segurança. No entanto, essa tarefa com os atuais métodos de inspeção apresenta muitas dificuldades que podem impactar significativamente no resultado final devido a vários fatores, como por exemplo, a natureza complexa da superfície, grandes variações de temperatura no ambiente e a necessidade de medições precisas. Os modelos de aprendizado de máquina, mais especificamente as redes neurais convolucionais, são uma opção viável para auxiliar na tarefa de detecção de fissuras: o modelo apresentado neste trabalho conta com a técnicas da segmentação semântica (modelo U-net) e com a técnica de classificação (modelo MobileNet). Para treinar e avaliar o modelo proposto, utilizamos um conjunto de dados contendo 40.000 imagens de superfícies de concreto, onde 50% são superfícies com a fissura, e a outra metade, sem a fissura. Além disso, o modelo obteve pontuações satisfatórias nas métricas analisadas: 97% de accuracy, 98% de precision, 97% de recall e 97% de F1-Score. O U-Net-Mobile mostrou-se eficaz em identificar e localizar com precisão as fissuras em superfícies de concreto. Esta pesquisa, então, contribui para o avanço no campo da manutenção da construção civil e para a inspeção segura ao aplicar técnicas de aprendizado profundo.