APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS NA DETECÇÃO DE PATOLOGIAS DO TIPO PANELA EM PAVIMENTOS ASFÁLTICOS

Abstract

Um dos defeitos mais comuns em pavimentos asfálticos são os buracos (panelas), e a detecção desse tipo de patologia é um componente crítico da manutenção e reabilitação do pavimento. O presente trabalho visa o treinamento de uma Rede Neural Convolucional (RNC) que seja capaz de identificar a patologia do tipo panela em pavimentos asfálticos. Para isso foi necessário a montagem de dois bancos de dados (DT1 e DT2), com imagens dessa patologia coletadas através da câmera GoPro Hero 7. Em seguida, foi realizado o pré-processamento das imagens coletadas, por meio do software LabelImg. Por fim, foi realizado o treinamento da RNC no ambiente de execução Google Colab, utilizando a linguagem Python, o algoritmo YoloV4 e o framework Darknet. Os resultados de treinamento obtidos foram satisfatórios para os dois bancos de dados utilizados. Entretanto, notou-se um desempenho melhor, em todas as métricas de avaliação do DT2, que continham a maior quantidade de imagens, com a métrica de precisão atingindo 0,9, o recall 0,89 o F1-score 0,88, o IoU 71,15% e o mAP 91,68%. Para validação dos resultados do treinamento foi realizado uma filmagem na cidade de Imperatriz-MA e, dessa forma, foi perceptível que a utilização na prática de um modelo neuronal para detecções de panelas se mostrou funcional, apesar de não obter resultados tão satisfatórios quanto o conjunto de treinamento, atingindo uma a precisão de 73,29% no limiar 0,9 e um recall de 79,77% no limiar 0,5. Esse resultado em conjunto com as exposições dos dados de telemetria, facilitam a manutenção de pavimentos asfálticos, visto que ao final do processo é obtido um modelo que detecta buracos e indica a sua localização. Ressalta-se que é possivel treinar a mesma RNC para detectar outras patologias, tornando assim o processo de avaliação de pavimentos mais completo. Palavras-chave: Panela. Pavimento asfáltico. Rede Neural Convolucional. YOLOv4.