Detecção de Danos em Rodovias por meio de Aprendizado Profundo

Detalhes bibliográficos
Autor(a) principal: Santos, Felipe Henrique Verones Pereira dos
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/255766
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Campus Araranguá, Engenharia de Computação.
id UFSC_cce743815595d1e893dbaa33972b7a02
oai_identifier_str oai:repositorio.ufsc.br:123456789/255766
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Detecção de Danos em Rodovias por meio de Aprendizado Profundodetecção de danos em rodoviasaprendizado profundovisão computacionalyolov8yolov9TCC (graduação) - Universidade Federal de Santa Catarina, Campus Araranguá, Engenharia de Computação.A manutenção eficiente de rodovias é crucial para a segurança e o desenvolvimento socioeconômico. Contudo, técnicas de inspeção manual tornam-se desvantajosas por falta de objetividade, eficiência limitada, custos elevados e segurança comprometida. Este trabalho propõe um método para a detecção de danos em pavimentos asfálticos utilizando técnicas de visão computacional e aprendizado profundo. O método proposto foi estruturado em cinco estágios principais, incluindo a aquisição de dados, pré- processamento, definição de arquitetura para criação do modelo de classificação, treinamento e validação dos modelos, e inferência em imagens de rodovias para detecção de danos. Uma vez definido e pré-processado o conjunto de dados inicial, a arquitetura YOLO, baseada em Redes Neurais Convolucionais, foi escolhida para realizar o treinamento dos modelos YOLOv8x e YOLOv9e, seguido pela avaliação de suas métricas de desempenho e subsequente utilização para classificação de danos em rodovias. Os resultados mostram que ambos os modelos são eficazes na identificação de danos, com o YOLOv8x apresentando melhor desempenho em quase todas as métricas avaliadas, com um f1-score de 88,79% e um mAP50 de 89,13%. De modo geral, este estudo contribui para o campo da manutenção de rodovias ao fornecer uma análise comparativa detalhada entre os modelos YOLOv8 e YOLOv9 e sugerir novas abordagens para aprimorar a acurácia e eficiência na detecção de danos em rodovias.Araranguá, SC.Gonçalves, Alexandre LeopoldoUniversidade Federal de Santa Catarina.Santos, Felipe Henrique Verones Pereira dos2024-07-09T19:33:31Z2024-07-09T19:33:31Z2024-06-21info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttps://repositorio.ufsc.br/handle/123456789/255766Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2024-07-09T19:33:31Zoai:repositorio.ufsc.br:123456789/255766Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732024-07-09T19:33:31Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Detecção de Danos em Rodovias por meio de Aprendizado Profundo
title Detecção de Danos em Rodovias por meio de Aprendizado Profundo
spellingShingle Detecção de Danos em Rodovias por meio de Aprendizado Profundo
Santos, Felipe Henrique Verones Pereira dos
detecção de danos em rodovias
aprendizado profundo
visão computacional
yolov8
yolov9
title_short Detecção de Danos em Rodovias por meio de Aprendizado Profundo
title_full Detecção de Danos em Rodovias por meio de Aprendizado Profundo
title_fullStr Detecção de Danos em Rodovias por meio de Aprendizado Profundo
title_full_unstemmed Detecção de Danos em Rodovias por meio de Aprendizado Profundo
title_sort Detecção de Danos em Rodovias por meio de Aprendizado Profundo
author Santos, Felipe Henrique Verones Pereira dos
author_facet Santos, Felipe Henrique Verones Pereira dos
author_role author
dc.contributor.none.fl_str_mv Gonçalves, Alexandre Leopoldo
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Santos, Felipe Henrique Verones Pereira dos
dc.subject.por.fl_str_mv detecção de danos em rodovias
aprendizado profundo
visão computacional
yolov8
yolov9
topic detecção de danos em rodovias
aprendizado profundo
visão computacional
yolov8
yolov9
description TCC (graduação) - Universidade Federal de Santa Catarina, Campus Araranguá, Engenharia de Computação.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-09T19:33:31Z
2024-07-09T19:33:31Z
2024-06-21
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/255766
url https://repositorio.ufsc.br/handle/123456789/255766
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Open Access.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Open Access.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Araranguá, SC.
publisher.none.fl_str_mv Araranguá, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651971314319360

Registros relacionados