Detecção de Danos em Rodovias por meio de Aprendizado Profundo

Abstract

A manutenção eficiente de rodovias é crucial para a segurança e o desenvolvimento socioeconômico. Contudo, técnicas de inspeção manual tornam-se desvantajosas por falta de objetividade, eficiência limitada, custos elevados e segurança comprometida. Este trabalho propõe um método para a detecção de danos em pavimentos asfálticos utilizando técnicas de visão computacional e aprendizado profundo. O método proposto foi estruturado em cinco estágios principais, incluindo a aquisição de dados, pré- processamento, definição de arquitetura para criação do modelo de classificação, treinamento e validação dos modelos, e inferência em imagens de rodovias para detecção de danos. Uma vez definido e pré-processado o conjunto de dados inicial, a arquitetura YOLO, baseada em Redes Neurais Convolucionais, foi escolhida para realizar o treinamento dos modelos YOLOv8x e YOLOv9e, seguido pela avaliação de suas métricas de desempenho e subsequente utilização para classificação de danos em rodovias. Os resultados mostram que ambos os modelos são eficazes na identificação de danos, com o YOLOv8x apresentando melhor desempenho em quase todas as métricas avaliadas, com um f1-score de 88,79% e um mAP50 de 89,13%. De modo geral, este estudo contribui para o campo da manutenção de rodovias ao fornecer uma análise comparativa detalhada entre os modelos YOLOv8 e YOLOv9 e sugerir novas abordagens para aprimorar a acurácia e eficiência na detecção de danos em rodovias.