Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente

Detalhes bibliográficos
Autor(a) principal: Lima, João Miguel Correia
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Federal de Alagoas (UFAL)
Texto Completo: http://www.repositorio.ufal.br/handle/riufal/7280
Resumo: In riskareas,especiallythosecausedbyfrequentseismicmovements,itisnecessarytomonitor eventssuchaschangesinthesizeofcracksinbuildingsandotherurbanstructures.This process, especiallyinregionswithoutadequateinfrastructure,iscarriedoutthroughempirical observationsmadebytheoccupantsoftheseareasthemselves.Thisactivity,byitsverynature, results ininaccurateandoutdateddatacollection,giventhetimelapsebetweencollectionand measurement ofchanges,whichshouldbedonebyaspecialist.Inthispaper,wepropose algorithms basedoncomputervision,toautomatethisprocessbyemployingDeepLearning techniques. Thus,itispossibleforthecomputertodetectcracksandproperlymeasurecracksin images senttoresponsibleagenciesbyresidents,providingagilityindetectingpotentialrisks to people’sphysicalintegrity,whileprovidingexpertswithaccuratedataforactioneffective preventive.Wewilluseasthesituationexperiencedbyresidentsofsomeneighborhoodsinthe city ofMaceió,stateofAlagoas,Brazil,whererulersarecurrentlyemployedtoidentifythe advanceorindentationsofcracksinrealestate,whicharephotographeddailyandtheimages sent tosecurityagencies.Inthepresentworkwepresentaprocessdividedintothreesteps:The first istheidentificationofpointsofinterestintheruler,suchasdigits,usingtheYOLO,adeep neural networkarchitecture,thenwepresentanalgorithmtofilterthecorrectdigitsandfinallyto identify thecrackanditswidthbyapplyingimageprocessingalgorithmandcameracalibration. Thus, aftertheexperiments,wewereabletoachieve75,65%accuracywhenusingthedarktext implementation with31convolutionallayers.Therefore,thiswork,besidesbeinglifesaving,is also alowcosttoolforstructuralinspection. Keywords:
id UFAL_e92da10eaa6e9f8f491aa40ecf8fcf4f
oai_identifier_str oai:www.repositorio.ufal.br:riufal/7280
network_acronym_str UFAL
network_name_str Repositório Institucional da Universidade Federal de Alagoas (UFAL)
repository_id_str
spelling Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequenteRecognition and analysis of cracks in images for monitoring of regions with frequent seismic activityVisão por computadorAprendizagem de máquinaAprendizagem profundaSistemas de reconhecimento de padrõesComputer VisionMachine LearningDeep LearningPattern recognition systemsCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOIn riskareas,especiallythosecausedbyfrequentseismicmovements,itisnecessarytomonitor eventssuchaschangesinthesizeofcracksinbuildingsandotherurbanstructures.This process, especiallyinregionswithoutadequateinfrastructure,iscarriedoutthroughempirical observationsmadebytheoccupantsoftheseareasthemselves.Thisactivity,byitsverynature, results ininaccurateandoutdateddatacollection,giventhetimelapsebetweencollectionand measurement ofchanges,whichshouldbedonebyaspecialist.Inthispaper,wepropose algorithms basedoncomputervision,toautomatethisprocessbyemployingDeepLearning techniques. Thus,itispossibleforthecomputertodetectcracksandproperlymeasurecracksin images senttoresponsibleagenciesbyresidents,providingagilityindetectingpotentialrisks to people’sphysicalintegrity,whileprovidingexpertswithaccuratedataforactioneffective preventive.Wewilluseasthesituationexperiencedbyresidentsofsomeneighborhoodsinthe city ofMaceió,stateofAlagoas,Brazil,whererulersarecurrentlyemployedtoidentifythe advanceorindentationsofcracksinrealestate,whicharephotographeddailyandtheimages sent tosecurityagencies.Inthepresentworkwepresentaprocessdividedintothreesteps:The first istheidentificationofpointsofinterestintheruler,suchasdigits,usingtheYOLO,adeep neural networkarchitecture,thenwepresentanalgorithmtofilterthecorrectdigitsandfinallyto identify thecrackanditswidthbyapplyingimageprocessingalgorithmandcameracalibration. Thus, aftertheexperiments,wewereabletoachieve75,65%accuracywhenusingthedarktext implementation with31convolutionallayers.Therefore,thiswork,besidesbeinglifesaving,is also alowcosttoolforstructuralinspection. Keywords:Em áreas de risco, principalmente naquelas ocasionadas por movimentações sísmicas frequentes, faz-se necessário o monitoramento de eventos como alterações nas dimensões de rachaduras em imóveis e demais estruturas urbanas. Esse processo, principalmente em regiões sem infraestrutura adequada, é realizado por meio de observações empíricas realizadas pelos próprios ocupantes dessas áreas. Essa atividade, pela sua própria natureza, resulta na coleta imprecisa e desatualizada de dados, haja vista o lapso temporal entre a coleta e a mensuração das alterações, que deve ser feita por um especialista. Neste trabalho, propomos algoritmos, baseados em visão computacional, para automatizar esse processo por meio do emprego de técnicas de Aprendizagem Profunda. Assim, é possível ao computador fazer a detecção de rachaduras e a devida mensuração destas nas imagens enviadas aos órgãos responsáveis pelos residentes, dando agilidade na detecção de potenciais riscos à integridade física das pessoas, e, ao mesmo tempo, fornecendo aos especialistas dados precisos para uma ação preventiva eficaz. Usaremos como corpus a situação vivenciada pelos moradores de alguns bairros na cidade de Maceió, estado de Alagoas, no Brasil, onde são empregadas atualmente réguas para identificar o avanço ou recuo de rachaduras nos imóveis, fotografadas diariamente e cujas imagens são enviadas aos órgãos de segurança. No presente trabalho, apresentamos um processo dividido em três etapas. A primeira é a identificação de pontos de interesse na régua, como dígitos, usando a arquitetura da rede neural profunda YOLO. Em seguida, apresentamos um algoritmo para filtrar os dígitos corretos e, finalmente, identificamos a rachadura e sua largura, aplicando um algoritmo de processamento de imagens e calibração de câmera. Assim, após os experimentos, conseguimos obter uma precisão de 75,65% quando usamos a implementação Darknet com 31 camadas convolucionais. Portanto, este trabalho, além de poder salvar vidas, é também uma ferramenta de baixo custo para inspeção de estruturas.Universidade Federal de AlagoasBrasilPrograma de Pós-Graduação em InformáticaUFALVieira, Thales Miranda de Almeidahttp://lattes.cnpq.br/8181104476035846Vieira, Tiago Figueiredohttp://lattes.cnpq.br/8601011832053651Oliveira, Douglas Cedrimhttp://lattes.cnpq.br/8621490090221615Lima, João Miguel Correia2020-10-21T16:10:56Z2020-10-162020-10-21T16:10:56Z2019-12-17info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfLIMA, João Miguel Correia. Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente. 2020. 61 f. Dissertação (Mestrado em Informática) – Instituto de Computação, Programa de Pós Graduação em Informática, Universidade Federal de Alagoas, Maceió, 2020.http://www.repositorio.ufal.br/handle/riufal/7280porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da Universidade Federal de Alagoas (UFAL)instname:Universidade Federal de Alagoas (UFAL)instacron:UFAL2020-10-21T16:12:34Zoai:www.repositorio.ufal.br:riufal/7280Repositório InstitucionalPUBhttp://www.repositorio.ufal.br/oai/requestri@sibi.ufal.bropendoar:2020-10-21T16:12:34Repositório Institucional da Universidade Federal de Alagoas (UFAL) - Universidade Federal de Alagoas (UFAL)false
dc.title.none.fl_str_mv Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
Recognition and analysis of cracks in images for monitoring of regions with frequent seismic activity
title Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
spellingShingle Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
Lima, João Miguel Correia
Visão por computador
Aprendizagem de máquina
Aprendizagem profunda
Sistemas de reconhecimento de padrões
Computer Vision
Machine Learning
Deep Learning
Pattern recognition systems
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
title_short Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
title_full Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
title_fullStr Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
title_full_unstemmed Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
title_sort Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
author Lima, João Miguel Correia
author_facet Lima, João Miguel Correia
author_role author
dc.contributor.none.fl_str_mv Vieira, Thales Miranda de Almeida
http://lattes.cnpq.br/8181104476035846
Vieira, Tiago Figueiredo
http://lattes.cnpq.br/8601011832053651
Oliveira, Douglas Cedrim
http://lattes.cnpq.br/8621490090221615
dc.contributor.author.fl_str_mv Lima, João Miguel Correia
dc.subject.por.fl_str_mv Visão por computador
Aprendizagem de máquina
Aprendizagem profunda
Sistemas de reconhecimento de padrões
Computer Vision
Machine Learning
Deep Learning
Pattern recognition systems
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
topic Visão por computador
Aprendizagem de máquina
Aprendizagem profunda
Sistemas de reconhecimento de padrões
Computer Vision
Machine Learning
Deep Learning
Pattern recognition systems
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
description In riskareas,especiallythosecausedbyfrequentseismicmovements,itisnecessarytomonitor eventssuchaschangesinthesizeofcracksinbuildingsandotherurbanstructures.This process, especiallyinregionswithoutadequateinfrastructure,iscarriedoutthroughempirical observationsmadebytheoccupantsoftheseareasthemselves.Thisactivity,byitsverynature, results ininaccurateandoutdateddatacollection,giventhetimelapsebetweencollectionand measurement ofchanges,whichshouldbedonebyaspecialist.Inthispaper,wepropose algorithms basedoncomputervision,toautomatethisprocessbyemployingDeepLearning techniques. Thus,itispossibleforthecomputertodetectcracksandproperlymeasurecracksin images senttoresponsibleagenciesbyresidents,providingagilityindetectingpotentialrisks to people’sphysicalintegrity,whileprovidingexpertswithaccuratedataforactioneffective preventive.Wewilluseasthesituationexperiencedbyresidentsofsomeneighborhoodsinthe city ofMaceió,stateofAlagoas,Brazil,whererulersarecurrentlyemployedtoidentifythe advanceorindentationsofcracksinrealestate,whicharephotographeddailyandtheimages sent tosecurityagencies.Inthepresentworkwepresentaprocessdividedintothreesteps:The first istheidentificationofpointsofinterestintheruler,suchasdigits,usingtheYOLO,adeep neural networkarchitecture,thenwepresentanalgorithmtofilterthecorrectdigitsandfinallyto identify thecrackanditswidthbyapplyingimageprocessingalgorithmandcameracalibration. Thus, aftertheexperiments,wewereabletoachieve75,65%accuracywhenusingthedarktext implementation with31convolutionallayers.Therefore,thiswork,besidesbeinglifesaving,is also alowcosttoolforstructuralinspection. Keywords:
publishDate 2019
dc.date.none.fl_str_mv 2019-12-17
2020-10-21T16:10:56Z
2020-10-16
2020-10-21T16:10:56Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv LIMA, João Miguel Correia. Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente. 2020. 61 f. Dissertação (Mestrado em Informática) – Instituto de Computação, Programa de Pós Graduação em Informática, Universidade Federal de Alagoas, Maceió, 2020.
http://www.repositorio.ufal.br/handle/riufal/7280
identifier_str_mv LIMA, João Miguel Correia. Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente. 2020. 61 f. Dissertação (Mestrado em Informática) – Instituto de Computação, Programa de Pós Graduação em Informática, Universidade Federal de Alagoas, Maceió, 2020.
url http://www.repositorio.ufal.br/handle/riufal/7280
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Alagoas
Brasil
Programa de Pós-Graduação em Informática
UFAL
publisher.none.fl_str_mv Universidade Federal de Alagoas
Brasil
Programa de Pós-Graduação em Informática
UFAL
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Federal de Alagoas (UFAL)
instname:Universidade Federal de Alagoas (UFAL)
instacron:UFAL
instname_str Universidade Federal de Alagoas (UFAL)
instacron_str UFAL
institution UFAL
reponame_str Repositório Institucional da Universidade Federal de Alagoas (UFAL)
collection Repositório Institucional da Universidade Federal de Alagoas (UFAL)
repository.name.fl_str_mv Repositório Institucional da Universidade Federal de Alagoas (UFAL) - Universidade Federal de Alagoas (UFAL)
repository.mail.fl_str_mv ri@sibi.ufal.br
_version_ 1748233738740826112

Registros relacionados