00 CAMPUS ARISTÓTELES CALAZANS SIMÕES (CAMPUS A. C. SIMÕES) IC - INSTITUTO DE COMPUTAÇÃO Dissertações e Teses defendidas na UFAL - IC
Use este identificador para citar ou linkar para este item: http://www.repositorio.ufal.br/jspui/handle/riufal/7280
Tipo: Dissertação
Título: Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente
Título(s) alternativo(s): Recognition and analysis of cracks in images for monitoring of regions with frequent seismic activity
Autor(es): Lima, João Miguel Correia
Primeiro Orientador: Vieira, Thales Miranda de Almeida
metadata.dc.contributor.referee1: Vieira, Tiago Figueiredo
metadata.dc.contributor.referee2: Oliveira, Douglas Cedrim
Resumo: Em áreas de risco, principalmente naquelas ocasionadas por movimentações sísmicas frequentes, faz-se necessário o monitoramento de eventos como alterações nas dimensões de rachaduras em imóveis e demais estruturas urbanas. Esse processo, principalmente em regiões sem infraestrutura adequada, é realizado por meio de observações empíricas realizadas pelos próprios ocupantes dessas áreas. Essa atividade, pela sua própria natureza, resulta na coleta imprecisa e desatualizada de dados, haja vista o lapso temporal entre a coleta e a mensuração das alterações, que deve ser feita por um especialista. Neste trabalho, propomos algoritmos, baseados em visão computacional, para automatizar esse processo por meio do emprego de técnicas de Aprendizagem Profunda. Assim, é possível ao computador fazer a detecção de rachaduras e a devida mensuração destas nas imagens enviadas aos órgãos responsáveis pelos residentes, dando agilidade na detecção de potenciais riscos à integridade física das pessoas, e, ao mesmo tempo, fornecendo aos especialistas dados precisos para uma ação preventiva eficaz. Usaremos como corpus a situação vivenciada pelos moradores de alguns bairros na cidade de Maceió, estado de Alagoas, no Brasil, onde são empregadas atualmente réguas para identificar o avanço ou recuo de rachaduras nos imóveis, fotografadas diariamente e cujas imagens são enviadas aos órgãos de segurança. No presente trabalho, apresentamos um processo dividido em três etapas. A primeira é a identificação de pontos de interesse na régua, como dígitos, usando a arquitetura da rede neural profunda YOLO. Em seguida, apresentamos um algoritmo para filtrar os dígitos corretos e, finalmente, identificamos a rachadura e sua largura, aplicando um algoritmo de processamento de imagens e calibração de câmera. Assim, após os experimentos, conseguimos obter uma precisão de 75,65% quando usamos a implementação Darknet com 31 camadas convolucionais. Portanto, este trabalho, além de poder salvar vidas, é também uma ferramenta de baixo custo para inspeção de estruturas.
Abstract: In riskareas,especiallythosecausedbyfrequentseismicmovements,itisnecessarytomonitor eventssuchaschangesinthesizeofcracksinbuildingsandotherurbanstructures.This process, especiallyinregionswithoutadequateinfrastructure,iscarriedoutthroughempirical observationsmadebytheoccupantsoftheseareasthemselves.Thisactivity,byitsverynature, results ininaccurateandoutdateddatacollection,giventhetimelapsebetweencollectionand measurement ofchanges,whichshouldbedonebyaspecialist.Inthispaper,wepropose algorithms basedoncomputervision,toautomatethisprocessbyemployingDeepLearning techniques. Thus,itispossibleforthecomputertodetectcracksandproperlymeasurecracksin images senttoresponsibleagenciesbyresidents,providingagilityindetectingpotentialrisks to people’sphysicalintegrity,whileprovidingexpertswithaccuratedataforactioneffective preventive.Wewilluseasthesituationexperiencedbyresidentsofsomeneighborhoodsinthe city ofMaceió,stateofAlagoas,Brazil,whererulersarecurrentlyemployedtoidentifythe advanceorindentationsofcracksinrealestate,whicharephotographeddailyandtheimages sent tosecurityagencies.Inthepresentworkwepresentaprocessdividedintothreesteps:The first istheidentificationofpointsofinterestintheruler,suchasdigits,usingtheYOLO,adeep neural networkarchitecture,thenwepresentanalgorithmtofilterthecorrectdigitsandfinallyto identify thecrackanditswidthbyapplyingimageprocessingalgorithmandcameracalibration. Thus, aftertheexperiments,wewereabletoachieve75,65%accuracywhenusingthedarktext implementation with31convolutionallayers.Therefore,thiswork,besidesbeinglifesaving,is also alowcosttoolforstructuralinspection. Keywords:
Palavras-chave: Visão por computador
Aprendizagem de máquina
Aprendizagem profunda
Sistemas de reconhecimento de padrões
Computer Vision
Machine Learning
Deep Learning
Pattern recognition systems
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Editor: Universidade Federal de Alagoas
Sigla da Instituição: UFAL
metadata.dc.publisher.program: Programa de Pós-Graduação em Informática
Citação: LIMA, João Miguel Correia. Reconhecimento e análise de rachaduras a partir de imagens para monitoramento em regiões com atividade sísmica frequente. 2020. 61 f. Dissertação (Mestrado em Informática) – Instituto de Computação, Programa de Pós Graduação em Informática, Universidade Federal de Alagoas, Maceió, 2020.
Tipo de Acesso: Acesso Aberto
URI: http://www.repositorio.ufal.br/handle/riufal/7280
Data do documento: 17-dez-2019
Aparece nas coleções:Dissertações e Teses defendidas na UFAL - IC



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.