Avaliação da detecção automatizada de defeitos em pavimentos com YOLOv3: impacto das técnicas de coleta

Autores

  • Gabriel Tavares de Melo Freitas Instituto Federal do Ceará
  • Ernesto Ferreira Nobre Júnior Universidade Federal do Ceará
  • Aline Calheiros Espíndola Universidade Federal de Alagoas

DOI:

https://doi.org/10.58922/transportes.v32i2.2796

Palavras-chave:

Pavimento, Coleta de dados, Aprendizado profundo

Resumo

Este estudo envolveu o treinamento de seis redes neurais com configurações personalizadas para detectar automaticamente defeitos nos pavimentos, utilizando o framework YOLOv3. A aquisição de imagens e vídeos retratando defeitos do pavimento foi realizada utilizando smartphones e câmeras de ação, levando à organização de seis datasets distintos. Cada rede neural foi submetida a treinamento e validação com o objetivo de atingir a precisão ideal na detecção automatizada de objetos. A aplicação do YOLOv3 possibilitou a realização eficiente de levantamentos de defeitos, contribuindo para o diagnóstico da qualidade do pavimento e fornecendo subsídios para a tomada de decisão na gestão dos transportes rodoviários. Ao final da análise, constatou-se que o método de enquadramento com maior eficácia atingiu uma taxa de precisão de 98%. Os resultados demonstram a eficácia do YOLOv3 na identificação dos defeitos, ressaltando a importância das técnicas de coleta e enquadramento e contribuindo para aumentando do conhecimento existente sobre detecção automatizada de defeitos em pavimentos.

Downloads

Não há dados estatísticos.

Referências

Balbo, J.T. (2007) Pavimentação Asfáltica: Materiais, Projeto e Restauração. São Paulo: Oficina de Textos.

Espíndola, A.C.; G.T.M. Freitas and E.F. Nobre Jr. (2021) Pothole and patch detection on asphalt pavement using deep convolutional neural network. In Proceedings of the Joint XLII Ibero-Latin-American Congress on Computational Methods in Engineering; III Pan- American Congress on Computational Mechanics, ABMEC-IACM. Rio de Janeiro: ABMEC, p. 1-7. Available at: (accessed 03/23/2022).

Everingham, M.; L.V. Gool; C.K.I. Williams et al. (2010) The pascal visual object classes (voc) challenge. International Journal of Computer Vision, v. 88, n. 2, p. 303-338. DOI: 10.1007/s11263-009-0275-4. DOI: https://doi.org/10.1007/s11263-009-0275-4

Haykin, S. (1998) Neural Networks: A Comprehensive Foundation. Hoboken: Prentice Hall PTR.

Hoang, N.D. (2018) An artificial intelligence method for asphalt pavement pothole detection using least squares support vector machine and neural network with steerable filter-based feature extraction. Advances in Civil Engineering, v. 2018, p. 7419058. DOI: http://doi.org/10.1155/2018/7419058. DOI: https://doi.org/10.1155/2018/7419058

Khan, A.I. and S. Al-Habsi (2020) Machine learning in computer vision. Procedia Computer Science, v. 167, n. 13, p. 1444-1151. DOI: 10.1016/j.procs.2020.03.355. DOI: https://doi.org/10.1016/j.procs.2020.03.355

Maeda, H.; Y. Sekimoto; T. Seto et al. (2018) Road damage detection using deep neural networks with images captured through a smartphone. Computer-Aided Civil and Infrastructure Engineering, v. 33, p. 1127-41. DOI: 10.1111/mice.12387. DOI: https://doi.org/10.1111/mice.12387

Padilla, R.; S.L. Netto and E.A.D. Silva (2020) A survey on performance metrics for object-detection algorithms. In Proceedings of the 2020 International Conference on Systems, Signals and Image Processing (IWSSIP). USA: IEEE, p. 237-242. DOI: 10.1109/ IWSSIP48289.2020.9145130. DOI: https://doi.org/10.1109/IWSSIP48289.2020.9145130

Paterson, W.D. (1987) Road Deterioration and Maintenance Effects: Models for Planning and Management. Baltimore: The Johns Hopkins University Press.

Prince, S.J. (2012) Computer Vision: Models, Learning, and Inference. Cambridge: Cambridge University Press. DOI: 10.1017/ CBO9780511996504. DOI: https://doi.org/10.1017/CBO9780511996504

Radovic, M.; O. Adarkwa and Q. Wang (2017) Object recognition in aerial images using convolutional neural networks. Journal of Imaging, v. 3, n. 2, p. 21. DOI: 10.3390/jimaging3020021. DOI: https://doi.org/10.3390/jimaging3020021

Redmon, J.; S. Divvala; R. Girshick et al. (2016) You only look once: unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). USA: IEEE, pp. 779-788. Available at: <https://www.cv-foundation. org/openaccess/content_cvpr_2016/html/Redmon_You_Only_Look_CVPR_2016_paper.html> (accessed 03/19/2021). DOI: https://doi.org/10.1109/CVPR.2016.91

Sasaki, Y. (2007) The truth of the F-measure. Teach Tutor Mater, v. 1, n. 5, p. 1-5. Available at: <https://nicolasshu.com/assets/ pdf/Sasaki_2007_The%20Truth%20of%20the%20F-measure.pdf> (accessed 02/12/2021).

Sholevar, N.; A. Golroo and S.R. Esfahani (2022) Machine learning techniques for pavement condition evaluation, Automation in Construction, v. 136, p. 104190. DOI: 10.1016/j.autcon.2022.104190. DOI: https://doi.org/10.1016/j.autcon.2022.104190

Downloads

Publicado

21-05-2024

Como Citar

Tavares de Melo Freitas, G., Ferreira Nobre Júnior, E., & Calheiros Espíndola, A. (2024). Avaliação da detecção automatizada de defeitos em pavimentos com YOLOv3: impacto das técnicas de coleta. TRANSPORTES, 32(2). https://doi.org/10.58922/transportes.v32i2.2796

Edição

v. 32 n. 2 (2024)

Seção

Artigos

Licença

Copyright (c) 2024 Gabriel Tavares de Melo Freitas, Ernesto Ferreira Nobre Júnior, Aline Calheiros Espíndola

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:

  1. Os autores mantém os direitos autorais e concedem à Revista TRANSPORTES o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
  2. Ao ser submetido à Revista TRANSPORTES, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial neste periódico.
  3. Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial nesta revista, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
  4. Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Revista TRANSPORTES é de acesso livre, os autores são estimulados a usar links para o site da Revista TRANSPORTES nesses casos.
  5. Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
  6. Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.