Divulgação - Defesa Nº 271
Aluna: Rafaela Laís de Barros Barbosa
Título: “Sistema híbrido com Deep Learning para detecção de trincas de concreto: uma abordagem utilizando Transfer Learning e Stacking”
Orientador: Bruno José Torres Fernandes
Examinador Externo: Leandro Honorato de Souza Silva (IFPB)
Examinador Interno: João Fausto Lorenzato de Oliveira (PPGEC)
Data-hora: 30 de Junho de 2023 às 10:00h
Local: Formato Presencial - Sala i4, Bloco C, 1 Andar
Resumo:
"A detecção de fissuras no concreto ainda é um problema rotineiro e de alto impacto, principalmente em estruturas como pontes, edifícios e viadutos. Muitos estudos estão sendo desenvolvidos para desenvolver uma solução robusta, precisa e confiável para classificação de imagens. No entanto, ainda há espaço para explorar diferentes abordagens e melhorar a precisão da classificação de trincas, por exemplo, combinando as saídas de diferentes classificadores, gerando um sistema que obtém grande generalização e funciona bem em diferentes conjuntos de dados. Propomos um método de ensemble para classificação de imagens usando a técnica de Stacking. Em nosso estudo, utilizamos a classificação de fissuras no concreto. Primeiro, treinamos cinco modelos de redes neurais convolucionais, ou seja, VGG16, VGG19, MobileNet, Xception e ResNet, para classificar imagens de fissuras no concreto. Em seguida, combinamos as previsões de saída desses modelos como entradas para um modelo Random Forest. Os resultados mostram que a abordagem Stacking proposta superou a abordagem Transfer-Learning sozinha e a técnica ensemble Learning. A abordagem Stacking alcançou uma precisão de 97,6%, em comparação com a precisão de Transfer-Learning de 92,5% e a média dos modelos de 90,7%, ambas do conjunto de dados de teste. Quando nosso modelo foi aplicado a um teste cruzado usando o conjunto de dados Bridge Crack Detection, encontrou uma precisão de 98,5% e uma precisão de 98,3%. Nossos resultados demonstram a eficácia da aprendizagem em detectar fissuras no concreto. Abordagens como essa podem melhorar a precisão e a robustez dos sistemas de detecção de trincas em aplicações do mundo real, auxiliando as inspeções nesse setor."
O Programa
