Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://hdl.handle.net/11449/257482 |
Resumo: | Este estudo apresenta uma abordagem para a inspeção de obras de arte especiais (OAE), como pontes, utilizando veículos aéreos não tripulados (VANTs) e técnicas avançadas de Inteligência Artificial. O objetivo é aprimorar a segurança e reduzir custos na manutenção de infraestruturas de concreto. Desenvolveu-se uma metodologia detalhada de captura de imagens, garantindo a obtenção de dados precisos e confiáveis. O método proposto emprega um banco de dados de imagens representativo, com 19.659 imagens de estruturas com e sem danos, para treinar algoritmos eficientes na detecção de fissuras e outros defeitos. A investigação dos métodos de pré-processamento revela que o filtro Gaussiano apresenta o melhor desempenho em aumentar a eficiência dos métodos de classificação. Na detecção de bordas, o método Sobel se destaca. As Redes Neurais Convolucionais (CNN) foram utilizadas na identificação de trincas, demonstrando uma acurácia de 90,31\%, F1-Score de 90,50\% e precisão de 91,00\%, superando técnicas tradicionais de classificação, como Máquinas de Vetores de Suporte (SVM) e Regressão Logística. A análise da influência da quantidade de imagens reforçou a importância de uma distribuição equilibrada para otimizar o desempenho do modelo. Como resultado final, tem-se a elaboração de códigos computacionais para a análise automática das imagens capturadas e a criação de um protocolo de vistoria aérea otimizado, visando a manutenção eficiente e precisa de infraestruturas críticas. |
| id |
UNSP_8564a20b7b9c58bd77cd0a9967fbed7a |
|---|---|
| oai_identifier_str |
oai:repositorio.unesp.br:11449/257482 |
| network_acronym_str |
UNSP |
| network_name_str |
Repositório Institucional da UNESP |
| repository_id_str |
|
| spelling |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTsDamage detection in concrete structures using aerial photographs taken by UAVsMonitoramento da integridade estruturalVeículo aéreo não tripuladoProcessamento de imagensInteligência artificialStructural integrity monitoringUnmanned aerial vehicleImage processingArtificial intelligenceEste estudo apresenta uma abordagem para a inspeção de obras de arte especiais (OAE), como pontes, utilizando veículos aéreos não tripulados (VANTs) e técnicas avançadas de Inteligência Artificial. O objetivo é aprimorar a segurança e reduzir custos na manutenção de infraestruturas de concreto. Desenvolveu-se uma metodologia detalhada de captura de imagens, garantindo a obtenção de dados precisos e confiáveis. O método proposto emprega um banco de dados de imagens representativo, com 19.659 imagens de estruturas com e sem danos, para treinar algoritmos eficientes na detecção de fissuras e outros defeitos. A investigação dos métodos de pré-processamento revela que o filtro Gaussiano apresenta o melhor desempenho em aumentar a eficiência dos métodos de classificação. Na detecção de bordas, o método Sobel se destaca. As Redes Neurais Convolucionais (CNN) foram utilizadas na identificação de trincas, demonstrando uma acurácia de 90,31\%, F1-Score de 90,50\% e precisão de 91,00\%, superando técnicas tradicionais de classificação, como Máquinas de Vetores de Suporte (SVM) e Regressão Logística. A análise da influência da quantidade de imagens reforçou a importância de uma distribuição equilibrada para otimizar o desempenho do modelo. Como resultado final, tem-se a elaboração de códigos computacionais para a análise automática das imagens capturadas e a criação de um protocolo de vistoria aérea otimizado, visando a manutenção eficiente e precisa de infraestruturas críticas.This study presents an approach for the inspection of engineering structures, such as bridges, using unmanned aerial vehicles (UAVs) and advanced artificial intelligence techniques. The objective is to enhance safety and reduce costs in the maintenance of concrete structures. A detailed image capture methodology was developed, ensuring the acquisition of precise and reliable data. The proposed method employs a representative image database, with 19,659 images of structures with and without damage, to train efficient algorithms in the detection of cracks and other defects. The investigation of preprocessing methods reveals that the Gaussian filter presents the best performance in increasing the efficiency of classification methods. In edge detection, the Sobel method stands out. Convolutional Neural Networks (CNN) were used in the identification of cracks, demonstrating an accuracy of 90.31%, an F1-Score of 90.50%, and a precision of 91.00%, surpassing traditional classification techniques such as Support Vector Machines (SVM) and Logistic Regression. The analysis of the influence of the number of images reinforced the importance of a balanced distribution to optimize the model’s performance. As a final result, computational codes were developed for the automatic analysis of the captured images and the creation of an optimized aerial inspection protocol, aiming at efficient and precise maintenance of critical structures.Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)CNPQ: 403955/2022-0Universidade Estadual Paulista (Unesp)Bueno, Douglas Domingues [UNESP]Universidade Estadual Paulista (Unesp)Santos, Bruno Soares dos [UNESP]2024-09-20T18:23:35Z2024-09-20T18:23:35Z2024-07-26info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfSANTOS, Bruno Soares dos. Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs. 2024. 70 f. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Estadual Paulista, Faculdade de Engenharia de Ilha Solteira, Ilha Solteira, 2024.https://hdl.handle.net/11449/25748233004099082P216265865033586750009-0008-0600-7154porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-09-21T06:17:03Zoai:repositorio.unesp.br:11449/257482Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462024-09-21T06:17:03Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
| dc.title.none.fl_str_mv |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs Damage detection in concrete structures using aerial photographs taken by UAVs |
| title |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs |
| spellingShingle |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs Santos, Bruno Soares dos [UNESP] Monitoramento da integridade estrutural Veículo aéreo não tripulado Processamento de imagens Inteligência artificial Structural integrity monitoring Unmanned aerial vehicle Image processing Artificial intelligence |
| title_short |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs |
| title_full |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs |
| title_fullStr |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs |
| title_full_unstemmed |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs |
| title_sort |
Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs |
| author |
Santos, Bruno Soares dos [UNESP] |
| author_facet |
Santos, Bruno Soares dos [UNESP] |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Bueno, Douglas Domingues [UNESP] Universidade Estadual Paulista (Unesp) |
| dc.contributor.author.fl_str_mv |
Santos, Bruno Soares dos [UNESP] |
| dc.subject.por.fl_str_mv |
Monitoramento da integridade estrutural Veículo aéreo não tripulado Processamento de imagens Inteligência artificial Structural integrity monitoring Unmanned aerial vehicle Image processing Artificial intelligence |
| topic |
Monitoramento da integridade estrutural Veículo aéreo não tripulado Processamento de imagens Inteligência artificial Structural integrity monitoring Unmanned aerial vehicle Image processing Artificial intelligence |
| description |
Este estudo apresenta uma abordagem para a inspeção de obras de arte especiais (OAE), como pontes, utilizando veículos aéreos não tripulados (VANTs) e técnicas avançadas de Inteligência Artificial. O objetivo é aprimorar a segurança e reduzir custos na manutenção de infraestruturas de concreto. Desenvolveu-se uma metodologia detalhada de captura de imagens, garantindo a obtenção de dados precisos e confiáveis. O método proposto emprega um banco de dados de imagens representativo, com 19.659 imagens de estruturas com e sem danos, para treinar algoritmos eficientes na detecção de fissuras e outros defeitos. A investigação dos métodos de pré-processamento revela que o filtro Gaussiano apresenta o melhor desempenho em aumentar a eficiência dos métodos de classificação. Na detecção de bordas, o método Sobel se destaca. As Redes Neurais Convolucionais (CNN) foram utilizadas na identificação de trincas, demonstrando uma acurácia de 90,31\%, F1-Score de 90,50\% e precisão de 91,00\%, superando técnicas tradicionais de classificação, como Máquinas de Vetores de Suporte (SVM) e Regressão Logística. A análise da influência da quantidade de imagens reforçou a importância de uma distribuição equilibrada para otimizar o desempenho do modelo. Como resultado final, tem-se a elaboração de códigos computacionais para a análise automática das imagens capturadas e a criação de um protocolo de vistoria aérea otimizado, visando a manutenção eficiente e precisa de infraestruturas críticas. |
| publishDate |
2024 |
| dc.date.none.fl_str_mv |
2024-09-20T18:23:35Z 2024-09-20T18:23:35Z 2024-07-26 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
SANTOS, Bruno Soares dos. Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs. 2024. 70 f. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Estadual Paulista, Faculdade de Engenharia de Ilha Solteira, Ilha Solteira, 2024. https://hdl.handle.net/11449/257482 33004099082P2 1626586503358675 0009-0008-0600-7154 |
| identifier_str_mv |
SANTOS, Bruno Soares dos. Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs. 2024. 70 f. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Estadual Paulista, Faculdade de Engenharia de Ilha Solteira, Ilha Solteira, 2024. 33004099082P2 1626586503358675 0009-0008-0600-7154 |
| url |
https://hdl.handle.net/11449/257482 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
| instname_str |
Universidade Estadual Paulista (UNESP) |
| instacron_str |
UNESP |
| institution |
UNESP |
| reponame_str |
Repositório Institucional da UNESP |
| collection |
Repositório Institucional da UNESP |
| repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
| repository.mail.fl_str_mv |
repositoriounesp@unesp.br |
| _version_ |
1854954972510158848 |