Título: Aplicação de Aprendizado Profundo na Classificação de Imagens de Patologias da Construção Civil: Análise de Data Augmentation para Bancos de Dados Desbalanceados
Autores: Laís Cardoso de Medeiros, Andre Luiz Carvalho Ottoni, Marcela Silva Novo
Resumo: O desafio das inspeçoes inteligentes na construção civil tem como refer encia a discriminação de imagens baseada em reconhecimento de padroes. Nesse cenario, a identificação e executada por arquiteturas de aprendizado profundo como as Redes Neurais Convolucionais, atraves de um grande conjunto de imagens. No entanto, a captura tradicional de fotografias em alta proporção e lenta, custosa e acompanhada de erros humanos, portanto inviavel em parte das aplicações. Nesse sentido, o presente trabalho tem como objetivo realizar a classificação de rachaduras em bancos desbalanceados, atraves de técnicas de data augmentation (DA). A metodologia adotada propoe a geração de imagens artificiais a partir de transformaçoes de imagens. Em seguida, são analisados os experimentos de validação, treinamento e testes no software Edge Impulse. Apos os experimentos baseados nas metricas de acurácia, F1-score, precisão e recall, os resultados avaliaram que os bancos compostos por balanceamento atingiram os melhores índices de classificação, em comparação ao banco desbalanceado. Além disso, a transformação Correção Gamma se destacou com o maior percentual de acertos para rachaduras de 97,90%, tendo também sua acurácia em 96,17%. Ante o exposto, a contribuição do presente trabalho comp oe o aperfeiçoamento da pesquisa em balanceamento por DA aplicado a classificação de imagens de rachaduras.
Palavras-chave: Banco de dados desbalanceados, Classificação de rachaduras, Data Augmentation, Edge Impulse, Redes Neurais Convolucionais.
Páginas: 8
Código DOI: 10.21528/CBIC2023-063
Artigo em pdf: CBIC_2023_paper063.pdf
Arquivo BibTeX: CBIC_2023_063.bib