Abstract
Este estudo propõe uma abordagem baseada em redes neurais convolucionais (CNNs) para a classificação de trincas, fissuras e rachaduras por análise de imagens. A metodologia inclui pré-processamento, equilíbrio de dados e usa a arquitetura ResNet50 com camadas de pooling, dropout e regularização. Transformações avançadas de aumento de dados são aplicadas para superar a falta de imagens. O modelo atinge cerca de 96% de precisão, evidenciando sua eficácia. No entanto, oportunidades de aprimoramento são identificadas, como a expansão contínua do conjunto de dados. Em suma, este estudo oferece novas visões para a inspeção estrutural por meio de CNNs, com implicações práticas para a segurança e manutenção de infraestruturas.
Publisher
Universidade Federal de Santa Maria
Reference33 articles.
1. Alipour, M., & Harris, D. K. (2020). Increasing the robustness of material-specific deep learning models for crack detection across different materials. Engineering Structures, 206, 110157.
2. Bai, Y., Zha, B., Sezen, H., & Yilmaz, A. (2022).Engineering deep learning methods on automatic detection of damage in infrastructure due to extreme events. Structural Health Monitoring, 22(1), 338-352.
3. Boden, M. A. (2008). Mind as machine: A history of cognitive science. Oxford University Press.
4. Brito, T. F. D. (2017). Análise de manifestações patológicas na construção civil pelo método gut: estudo de caso em uma instituição pública de ensino superior.
5. Carvalho, N. F. De. (2009).Verificação de patologias de elementos estruturais em concreto armado. Revista Obras Civis, 1(1), 38-40.