DETECÇÃO DE FISSURAS EM CONCRETO UTILIZANDO REDES NEURAIS CONVOLUCIONAIS: UMA AVALIAÇÃO COMPARATIVA COM APRENDIZADO POR TRANSFERÊNCIA

Resumen

: A detecção de patologias, como fissuras, é essencial em sistemas de avaliação em estruturas de concreto, como pontes, túneis e edifícios. Métodos tradicionais baseiam-se na avaliação por especialistas, sendo frequentemente demorados e potencialmente perigosos, dependendo da localização das construções. Ao invés do deslocamento e inspeção visual dos especialistas, imagens coletadas por veículos aéreos não tripulados podem ser utilizadas para o levantamento das condições das construções, e posteriormente, por sistemas automatizados para identificação de patologias. As imagens coletadas apresentam diferenças na iluminação, na textura e estão sujeitas a ruído. Tais características trazem desafios aos algoritmos de aprendizado de máquina, que visam construir modelos para a identificação automática de patologias. Para esse fim, redes neurais convolucionais tem sido consideradas visando a construção de modelos de classificação. Este trabalho tem como objetivo investigar o uso de aprendizado de máquina para detecção e classificação de fissuras em construções de concreto, por meio da utilização de imagens de concreto e de redes neurais convolucionais. Para esse fim, um conjunto de 3.822 imagens (1.050 com fissuras; 2.772 sem), foram redimensionadas e normalizadas. Os modelos VGG16, VGG19, MobileNet, MobileNetV2, ResNet152V2 e DenseNet201, foram avaliados, ajustando as camadas finais, aplicando pesos de classe e parada de treinamento antecipada. A avaliação empregou validação cruzada e as medidas acurácia, precisão, sensibilidade, F1-score, e também matrizes de confusão, para comparação do desempenho dos modelos. Como principal achado, a MobileNet apresentou maior sensibilidade e F1, minimizando falsos negativos e configurando a melhor escolha para triagem conservadora. Observou-se que o modelo MobileNetV2 obteve a maior precisão (0,980), enquanto a MobileNet apresentou os maiores valores de sensibilidade e F1-score (0,976 e 0,974), reduzindo falsos negativos. DenseNet e VGG16 mantiveram desempenho elevado e estável, enquanto ResNet152V2 e VGG19 apresentaram resultados inferiores.  Os resultados indicam que a detecção automatizada de fissuras apresenta potencial para tornar as inspeções em estruturas de concreto mais ágeis, seguras e padronizadas.