Utilização de modelos de deep learning para o reconhecimento automático de defeitos e seus níveis de severidade em pavimentos asfálticos urbanos
Data
2026-02-25
Autores
Souza, Átila Marconcine de
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
As vias urbanas desempenham um papel fundamental na sociedade. Para garantir o conforto e a segurança dos usuários dessas vias, é necessário a realização de procedimentos de avaliação, que em grande parte são lentos e cansativos. Visando automatizar esses procedimentos, o presente trabalho tem como objetivo investigar se modelos de deep learning são capazes de efetuar o reconhecimento de defeitos e seus níveis de severidade em pavimentos asfálticos urbanos. Para isso, foram coletadas, em campo, imagens dos defeitos trincas por fadiga, buracos e remendos. Essas imagens foram utilizadas em dois bancos de dados, um considerando apenas os defeitos e outro considerando os defeitos e os níveis de severidade. Os dois bancos de dados foram treinados em dois ambientes (local e online), através de diferentes versões das arquiteturas de detecção de objetos You Only Look Once e Detection Transformer. Para testar os melhores modelos treinados foram empregadas cem imagens, coletadas em campo, que não foram utilizadas durante o treinamento. Já para validação prática, o melhor modelo foi utilizado para detectar defeitos em um ortomosaico. Além disso, um aplicativo para desktop foi desenvolvido, integrando os modelos treinados em uma interface gráfica simples e intuitiva. Na etapa de treinamento, o modelo RF-DETR apresentou as melhores métricas de avaliação. Já na etapa de teste, o YOLOv12s demonstrou desempenho adequado para aplicação prática. Na etapa de validação prática, a utilização conjunta do YOLOv12s com o framework Slicing Aided Hyper Inference apresentou potencial. De forma geral, os modelos empregados apresentaram facilidade no reconhecimento da severidade baixa das trincas por fadiga e dos remendos. Para o defeito buraco, constatou-se que apenas a detecção de objetos não fornece resultados satisfatórios para distinção entre os níveis de severidade
Descrição
Palavras-chave
Aprendizado de Máquina, Detecção de Objetos, Inteligência Artificial, Redes Neurais, Visão Computacional, Redes neurais (Computação), Pavimentos - Manutenção e reparos, YOLO, Sistemas de detecção automatizada