Classificação de faróis danificados de veículos usando Redes Neurais Convolucionais

• Ano de defesa: 2024
• Autor(a) principal: Morais, Kevila Cezario de
• Orientador(a): Gazolli, Kelly Assis de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Seguro Veicular; Detecção de Objetos; Classificação de Imagens; U-Net; DenseNet121; Redes neurais convolucionais
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/5788

RESUMO: A análise de sinistros de veículos é um processo que permite às seguradoras determinar se os danos reportados estão cobertos pela apólice contratada. No caso de danos em faróis, a avaliação geralmente envolve o envio de uma foto do veículo para análise visual por um especialista, com o objetivo de identificar a extensão do problema. Este trabalho apresenta um sistema automatizado para a classificação de tipos de danos em faróis veiculares, utilizando análise de imagens. O sistema proposto adota uma abordagem em duas etapas baseada em redes neurais convolucionais (CNNs). Na primeira etapa, uma rede U-Net é utilizada para detectar e segmentar a região do farol na imagem. A imagem segmentada é então isolada e submetida a uma segunda CNN para classificar o farol em quatro categorias: quebrado, embaçado, infiltrado ou sem danos. Diversas arquiteturas de CNN foram avaliadas para essa tarefa de classificação, incluindo VGG, ResNet, Inception, Xception, MobileNet, DenseNet e EfficientNet. Para os experimentos, dois bancos de imagens rotuladas foram desenvolvidos, um para detecção e outro para classificação. O conjunto de dados para detecção inclui 2.000 imagens de veículos com suas respectivas máscaras segmentadas, distribuídas em 1.600 imagens para treinamento, 200 para validação e 200 para teste. O conjunto de dados para classificação é composto por 2.400 imagens igualmente distribuídas entre as quatro classes de danos, sendo 1.920 utilizadas para treinamento, 240 para validação e 240 para teste. Nos testes realizados, o sistema alcançou um índice de Interseção sobre União (IoU) de 70,35% na etapa de detecção de faróis e uma acurácia de 78% na classificação de danos, utilizando a arquitetura DenseNet121. Esses resultados demonstram a viabilidade da abordagem proposta para automatizar a análise de sinistros envolvendo danos em faróis.