Detecção de Danos em Rodovias por meio de Aprendizado Profundo
Autor(a) principal: | |
---|---|
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 |