Avaliação da presença de fissuras em imagens de estruturas de concreto através do uso de redes neurais profundas

RESUMO Este trabalho se insere no contexto de análise de imagens, visando a extração automática de informações complexas com alta precisão. Este estudo teve como objetivo avaliar o desempenho de redes neurais convolucionais na classificação de imagens de concreto em duas classes: (a) não fissuradas...

Full description

Saved in:

Bibliographic Details
Published in:	Matéria Vol. 29; no. 4
Main Authors:	Pereira Junior, Wanderlei Malaquias, Silva, Sérgio Francisco da, Silva, Alessandro Rodrigues e, Rezio, Luiz Henrique Ferreira, Silva, Mateus Pereira da, Guimarães, Núbia Rosa da Silva, Canuto, Sérgio Daniel Carvalho
Format:	Journal Article
Language:	Portuguese
Published:	Laboratório de Hidrogênio, Coppe - Universidade Federal do Rio de Janeiro; em cooperação com a Associação Brasileira do Hidrogênio, ABH2 2024
Subjects:	CONSTRUCTION & BUILDING TECHNOLOGY MATERIALS SCIENCE, MULTIDISCIPLINARY METALLURGY & METALLURGICAL ENGINEERING Concreto Cracks Visual gradients Redes neurais convolucionais Machine learning Aprendizado de máquina Concrete Fissuras Gradientes visuais Convolutional neural networks
Online Access:	Get full text
Tags:	Add Tag No Tags, Be the first to tag this record!

Description
Summary:	RESUMO Este trabalho se insere no contexto de análise de imagens, visando a extração automática de informações complexas com alta precisão. Este estudo teve como objetivo avaliar o desempenho de redes neurais convolucionais na classificação de imagens de concreto em duas classes: (a) não fissuradas e (b) fissuradas. Para tanto, foram empregadas as redes profundas VGG16, VGG19 e ResNet50 com aprendizagem por transferência por meio de ajuste fino. As redes foram treinadas novamente e testadas usando um banco de dados de 40.000 imagens. Após o treinamento, as redes foram testadas, alcançando uma precisão impressionante entre 99,27% e 99,78%. Este alto nível de precisão inspira confiança no uso destes modelos preditivos. Para avaliar a robustez dos modelos, foram gerados gradientes visuais dos pontos focais de atenção das redes nas imagens, mostrando que os modelos focam e capturam aspectos das fotos que realmente caracterizam as fissuras. Com base nos resultados, pode-se concluir que as redes neurais convolucionais são eficazes na classificação de problemas envolvendo concreto e podem ser aplicadas em inspeções precisas para auxiliar engenheiros com alta confiabilidade quanto aos resultados. ABSTRACT This paper is inserted in the context of image analysis, aiming at the automatic extraction of complex information with high precision. This study aimed to evaluate the performance of convolutional neural networks in classifying concrete images into two classes: (a) non-cracked and (b) cracked. For this purpose, VGG16, VGG19, and ResNet50 deep networks were employed with transfer learning through fine-tuning. The networks were re-trained and tested using a database of 40,000 images. After training, the networks were tested, achieving an impressive accuracy between 99.27% and 99.78%. This high accuracy level inspires confidence in using these predictive models. To assess the robustness of the models, visual gradients of the networksʼ attention focal points on the images were generated, showing that the models focus on and capture aspects of the photos that truly characterize the cracks. Based on the results, it can be concluded that convolutional neural networks are effective in classification problems involving concrete and can be applied in accurate inspections to assist engineers with high reliability regarding the results.
ISSN:	1517-7076 1517-7076
DOI:	10.1590/1517-7076-rmat-2024-0354