Título: Análise de Modelos de Aprendizado Profundo para Sistemas Embarcados aplicados à Classificação de Rachaduras em Construções
Autores: Adenilton Morais Arcanjo, Andre Luiz Carvalho Ottoni
Resumo: A Inteligência Artificial (IA) tem sido aplicada em diversas áreas para otimizar tarefas, agilizar atividades e reduzir custos. Na construção civil, a IA tem sido utilizada atrav es´ do aprendizado de máquina e da visão computacional para automatizar a inspeção visual em obras e construções. Um dos principais usos e na detecção de patologias, como rachaduras, trincas e fissuras em estruturas como edifícios, pontes, tubulaçoes, e afins. Outra área que vem aplicando técnicas de aprendizado de máquina e a de sistemas embarcados. E possível encontrar cada vez mais dispositivos com menor poder de processamento e menor capacidade de memoria utilizando alguma técnica de aprendizado de maquina. Pode-se citar os smartwatches, assistentes virtuais, entre outros. O presente trabalho tem como objetivo selecionar modelos de aprendizado de máquina para a detecção de rachaduras em estruturas de concreto utilizando a plataforma Edge Impulse. Para isso, foram avaliadas diferentes versões da arquitetura de redes neurais MobileNet, levando em consideração critérios como acurácia, consumo de recursos (memoria RAM e capacidade de armazenamento em Flash) e tempo de inferência. Ao término do processo, foram selecionados seis modelos candidatos que demonstraram potencial para serem implementados no dispositivo embarcado. Esses modelos apresentaram uma excelente acurácia, com valores variando de 97% a 99,6%. Além disso, o consumo de memória RAM necessario não ultrapassou 280 Kb, enquanto a utilização de memoria FLASH ficou abaixo de 225 Kb. Em relação ao tempo de inferência, o modelo mais r apido registrou um tempo de 328 ms, enquanto o modelo mais lento atingiu 1240 ms. Todas as configuraçoes da plataforma e a construção do modelo foram realizadas considerando o dispositivo embarcados de referência ESP32-CAM. Espera-se que este trabalho contribua para a seleção de modelos eficientes para a detecção de rachaduras em concretos, facilitando a implementação em sistemas embarcados
Palavras-chave: crack detection, edge impulse,machine learning, mobilenet, tinyml
Páginas: 8
Código DOI: 10.21528/CBIC2023-067
Artigo em pdf: CBIC_2023_paper067.pdf
Arquivo BibTeX: CBIC_2023_067.bib