Utilização de modelos de deep learning para o reconhecimento automático de defeitos e seus níveis de severidade em pavimentos asfálticos urbanos

Página do item simplificado
dc.contributor.advisorFontenele, Heliana Barbosa
dc.contributor.authorSouza, Átila Marconcine de
dc.contributor.bancaGouveia, Lilian Tais de
dc.contributor.bancaFerreira, Manoel Dênis Costa
dc.coverage.extent128 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-08-31T18:24:45Z
dc.date.available2026-08-31T18:24:45Z
dc.date.issued2026-02-25
dc.description.abstractAs 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
dc.description.abstractother1Urban roads play a fundamental role in society. To ensure the comfort and safety of road users, it is necessary to perform evaluation procedures, which are largely slow and tedious. Aiming to automate these procedures, the present study investigates whether deep learning models are capable of recognizing distresses and their severity levels in urban asphalt pavements. For this purpose, field images were collected for the distresses fatigue cracks, potholes, and patches. These images were used in two datasets: one considering only the distresses and another considering both the distresses and their severity levels. Both datasets were trained in two environments (local and online) using different versions of the You Only Look Once and Detection Transformer object detection architectures. To test the best trained models, one hundred field-collected images that were not used during training were employed. For practical validation, the best model was used to detect distresses in an orthomosaic. Additionally, a desktop application was developed, integrating the trained models into a simple and intuitive graphical interface. In the training stage, the RF-DETR model presented the best evaluation metrics. In the testing stage, YOLOv12s demonstrated adequate performance for practical application. In the practical validation stage, the combined use of YOLOv12s with the Slicing Aided Hyper Inference framework showed potential. Overall, the models employed showed ease in recognizing low-severity fatigue cracks and patches. For the pothole distress, it was found that object detection alone does not provide satisfactory results for distinguishing between severity levels
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19837
dc.language.isopor
dc.relation.departamentCTU - Departamento de Construção Civil
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Civil
dc.subjectAprendizado de Máquina
dc.subjectDetecção de Objetos
dc.subjectInteligência Artificial
dc.subjectRedes Neurais
dc.subjectVisão Computacional
dc.subjectRedes neurais (Computação)
dc.subjectPavimentos - Manutenção e reparos
dc.subjectYOLO
dc.subjectSistemas de detecção automatizada
dc.subject.capesEngenharias - Engenharia Civil
dc.subject.cnpqEngenharias - Engenharia Civil
dc.subject.keywordsArtificial Intelligence
dc.subject.keywordsComputer Vision
dc.subject.keywordsNeural Network
dc.subject.keywordsMachine Learning
dc.subject.keywordsObject Detection
dc.subject.keywordsNeural networks (Computing)
dc.subject.keywordsPavement - maintenance and repair
dc.subject.keywordsAutomated detection systems
dc.titleUtilização de modelos de deep learning para o reconhecimento automático de defeitos e seus níveis de severidade em pavimentos asfálticos urbanos
dc.title.alternativeApplication of deep learning models for automatic recognition of distresses and their severity levels in urban asphalt pavements
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
EN_CCI_Me_2026_Souza_Átila_M.pdf
Tamanho:
6.72 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 194793
Baixar
Nenhuma Miniatura disponível
Nome:
EN_CCI_Me_2026_Souza_Átila_M_TERMO.pdf
Tamanho:
206.62 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Engenharia Civil