UTILIZAÇÃO DE REDES NEURAIS CONVOLUCIONAIS PARA DETECÇÃO DE MOFO EM PAREDES DE ALVENARIA

Abstract

A detecção de objetos é uma questão cada vez mais relevante e explorada na Visão Computacional, desempenhando um papel crucial no mundo contemporâneo e sendo aplicada em diversos contextos. As técnicas de Aprendizado Profundo (Deep Learning), especialmente através de Redes Neurais Convolucionais (RNC), são amplamente utilizadas para enfrentar esse desafio. Entre os modelos mais populares, destaca-se o YOLO (You Only Look Once), especialmente eficaz em aplicações em tempo real. Neste estudo, utilizou-se a arquitetura YOLOv4 juntamente com o framework Darknet, implementado no ambiente Google Colab. Além disso, foram utilizadas imagens de mofo coletadas em residências de Açailândia, Maranhão, bem como imagens obtidas na internet para o treinamento do modelo. Ademais, dois bancos de dados (BD1 e BD2) foram criados e treinados sob os mesmos parâmetros durante 6.000 épocas. No entanto, o BD2 apresentou desempenho superior devido à maior quantidade de imagens e ao uso de data augmentation, alcançando valores de precisão, recall, f1-score, IoU e mAP de 0,81, 0,37, 0,51, 66,69% e 44,89%, respectivamente. Diante desses valores, recomenda-se que, em trabalhos futuros, sejam aplicadas versões mais recentes da arquitetura YOLO para a detecção de infiltrações, com o objetivo de alcançar uma maior precisão eficiência nos resultados. Palavras-chave: Rede Neural Convolucional. YOLOv4. Detecção de mofo.