Detecção de componentes de vagões ferroviários usando aprendizado profundo

• Ano de defesa: 2021
• Autor(a) principal: Castro, Leonardo Borges de
• Orientador(a): Pereira, Flávio Garcia
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Serra
• Palavras-chave em Português: Aprendizado Profundo; Detecção de Objetos; Redes neurais (Computação); Aprendizado do computador; Visão por computador; Processamento de imagens - Técnicas digitais; Transporte ferroviário de cargas - Vagões
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/1930

RESUMO: Acompanhar a saúde dos ativos ferroviários é essencial para garantir a segurança e eficiência operacional desse modal de transporte tão presente no mundo. Atualmente, atividades de inspeção nas operações ferroviárias são realizadas, em sua maioria, por mantenedores e operadores de forma presencial e visual, sendo que muitas destas inspeções ficam inviáveis por exigirem o emprego de grande quantidade de recursos ou expor as pessoas à riscos do ambiente operacional, comprometendo assim a qualidade dos processos de manutenção e operação. Com o avanço das tecnologias de aquisição de imagens e métodos de visão computacional no atual contexto da Indústria 4.0, este trabalho propõe realizar estudos e aplicações de tarefas de detecção de objetos, métodos estes que pretendem localizar e realizar a classificação de objetos em imagens, podendo ser aplicado em localização de componentes dos vagões ferroviários, o que poderá abrir espaço para futuras aplicações de processamento de imagens utilizando modelos de aprendizagem de máquina para identificação de defeitos. Na tarefa de detecção de componentes de vagões apresentada neste trabalho, a performance do método Faster R-CNN foi de 95,35% e desvio padrão de 1,52% no indicador mean average precision - mAP50. Outro método testado neste estudo foi o YOLOv4, o qual apresentou um resultado ligeiramente melhor que o método Faster R-CNN, no valor de 96,06% no mAP50, com desvio padrão de 0,78% neste indicador. Esforços adicionais podem ser realizados para avaliação do desempenho destes modelos quanto ao tempo de detecção, bem como a performance em outros indicadores utilizados em avaliações de tarefas de detecção de objeto.