APLICAÇÃO DE REDE NEURAL CONVOLUCIONAL PARA IDENTIFICAÇÃO DE MANIFESTAÇÕES PATOLÓGICAS EM ESTRUTURAS DE CONCRETO

Abstract

As manifestações patológicas em edificações, como fissuras e corrosão, representam importantes indicadores de degradação estrutural, podendo comprometer a durabilidade, a segurança e o desempenho das construções quando não identificadas precocemente. Nesse contexto, o presente trabalho teve como objetivo desenvolver e avaliar uma Rede Neural Convolucional (RNC) baseada na arquitetura YOLOv8n para a detecção automática dessas manifestações patológicas por meio de técnicas de Visão Computacional e Aprendizado Profundo. A metodologia empregada envolveu a revisão da literatura, a preparação da base de dados, o tratamento das imagens, o treinamento da rede neural e a análise dos resultados, proporcionando uma abordagem sistemática para o desenvolvimento e validação do modelo proposto. O desempenho dos modelos foi avaliado por meio das métricas Precisão, Recall, F1- score, Intersection over Union (IoU) e mean Average Precision (mAP). Os resultados demonstraram que o conjunto DT2 apresentou desempenho superior ao DT1 em todas as métricas analisadas, evidenciando a importância da diversidade de imagens para a capacidade de generalização da rede neural. Para a classe fissura, o modelo alcançou precisão de até 95%, recall de 91%, F1-score de 92%, IoU de 85% e mAP de 97%. Para a classe corrosão, foram obtidos valores de 83% para precisão, 92% para recall, 87% para F1-score, 77% para IoU e 94% para mAP. Nos testes realizados com imagens inéditas, o sistema identificou corretamente todas as manifestações patológicas avaliadas neste trabalho, apresentando níveis de confiança entre 68% e 96%. Conclui-se que a utilização da arquitetura YOLOv8n para detecção automática de fissuras e corrosão apresentou resultados satisfatórios, demonstrando potencial para aplicação como ferramenta de apoio em inspeções prediais e monitoramento estrutural. A metodologia proposta contribui para a automatização do processo de identificação de manifestações patológicas, reduzindo a subjetividade das análises visuais e fornecendo suporte à tomada de decisão em atividades de manutenção e conservação de edificações. Palavras-chave: Visão Computacional; Deep Learning; YOLOv8; Redes Neurais Convolucionais; Fissuras; Corrosão; Engenharia Civil.