Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
Autor(a) principal: | |
---|---|
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 |