Avaliação do desempenho de redes neurais convolucionais para detecção automática de trincas em pavimentos

Autores

  • Francisco Dalla Rosa Federal University of Passo Fundo, Rio Grande do Sul – Brazil, https://orcid.org/0000-0001-6902-1430
  • Laura Dall'Igna Favretto Federal University of Passo Fundo, Rio Grande do Sul – Brazil,
  • Vítor Borba Rodrigues Federal University of Passo Fundo, Rio Grande do Sul – Brazil,
  • Nasir G. Gharaibeh Texas A&M University, Texas – Estados Unidos

DOI:

https://doi.org/10.14295/transportes.v28i5.2283

Palavras-chave:

Redes Neurais Convolucionais. Gerência de Pavimentos. Detecção automatizada de trincas em pavimentos. Visão computacional.

Resumo

Neste artigo é avaliado o potencial de Redes Neurais Convolucionais (RNC) como ferramenta automatizada para detecção de trincas em superfícies de pavimentos. Foram utilizadas fotografias da superfície de diferentes segmentos de um pavimento do tipo Cheapseal, obtidas a partir de câmeras fotográficas montadas em veículos. As imagens foram avaliadas a partir da proposta do uso de duas arquiteturas de redes neurais convolutionais e implementadas com o auxílio da biblioteca de aprendizado de máquina PyTorch, o qual possui código aberto e disponível na forma de script em linguagem Python. As imagens foram processadas com o uso de três técnicas diferentes, com o intuito de avaliar a influência da complexidade dos algoritmos propostos. Para análise da performance da rede neural, foram utilizadas como métricas de avaliação a acurácia, a precisão, o recall e o F1 score. Os resultados apontaram que a arquitetura da rede neural escolhida apresentou desempenho satisfatório na detecção de trincas, bem como indicam que a complexidade da rede é um dos fatores a ser considerado durante o processo de classificação das imagens.

Downloads

Não há dados estatísticos.

Referências

Arpit, D.; S. Jastrzębski; N. Ballas; D. Krueger; E. Bengio; M. S. Kanwal; T. Maharaj; A. Fischer; A. Courville; Y. Bengio and S. Lacoste-Julien (2017). A Closer Look at Memorization in Deep Networks. Proceedings of the 34th International Conference on Machine Learning, Sydney, Australia, PMLR 70, 2017. ArXiv - a repository of electronic preprints, 1–10. arXiv:1706.05394

Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools. Available at: http://drdobbs.com/opensource/184404319

Dalla Rosa, F.; N. G. Gharaibeh; E. G. Fernando and A. Wimsatt (2016). Quality Assurance for Automated and Semi-Automated Pavement Condition Surveys. International Conference on Transportation and Development 2016. p. 192–201. doi:10.1061/9780784479926.018

Dung, C. V. and L. D. Anh (2019). Autonomous concrete crack detection using deep fully convolutional neural network. Automation in Construction, v.99, p. 52–58. doi:10.1016/j.autcon.2018.11.028

Fan, Z.; S. Member; Y. Wu; J. Lu and W. Li (2018). Automatic Pavement Crack Detection Based on Structured Prediction with the Convolutional Neural Network. ArXiv - a repository of electronic preprints, p. 1–9. arXiv:1802.02208

Haykin, S. (2009). Neural networks and learning machines. (3rd ed). Pearson, Ontario.

Khan, S.; H. Rahmani; S. A. A. Shah and M. Bennamoun (2018). A Guide to Convolutional Neural Networks for Computer Vision. Synthesis Lectures on Computer Vision, v.8 n.1, p. 1–207.DOI: 10.2200/s00822ed1v01y201712cov015

Koch, C.; K. Georgieva; V. Kasireddy; B. Akinci and P. Fieguth (2015). A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure. Advanced Engineering Informatics, v.29, n.2, p. 196–210. DOI: 10.1016/j.aei.2015.01.008

Li, S.; Y. Cao and H. Cai. (2017). Automatic Pavement-Crack Detection and Segmentation Based on Steerable Matched Filtering and an Active Contour Model. Journal of Computing in Civil Engineering, v.31, n.5, doi:10.1061/(ASCE)CP.1943-5487.0000695

Ong, G. P.; S. Noureldin and K. Sinha (2011). Technical report: Automated Pavement Condition Data Collection Quality Control, Quality Assurance, and Reliability. doi:10.5703/1288284314288

Osman, M. K.; M. H. M. Noor; A. Ibrahim; N. M. Tahir; N. M. Yusof and N. Z. Abidin (2019). Deep convolution neural network for crack detection on asphalt pavement. International Conference on Nanomaterials: Science, Engineering and Technology (ICoNSET) 2019. v. 1349, doi:10.1088/1742-6596/1349/1/012020

Paszke, A.; S. Gross; F. Massa; A. Lerer; J. Bradbury; G. Chanan; T. Killeen; Z. Lin; N. Gimelshein; L. Antiga; A. Desmaison; A. Kopf; E. Yang; Z. DeVito; M. Raison; A. Tejani; S. Chilamkurthy; B. Steiner; L. Fang; J. Bai and S. Chintala (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. H. Wallach, H. Larochelle, A. Beygelzimer, F. dtextquotesingle Alché-Buc, E. Fox, & R. Garnett (Eds), Advances in Neural Information Processing Systems 32 (p. 8024–8035). Available at: http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf

Pianucci, M. N.; C. S. Pitombo and A. L. Cunha (2019) Previsão da demanda por viagens domiciliares através de método sequencial baseado em população sintética e redes neurais artificiais. v. 27, n.4, p. 1–23. doi:10.14295/transportes.v27i4.1406

Pierce, L. M. and N. D. Weitzel (2019). Automated Pavement Condition Surveys. Automated Pavement Condition Surveys. Transportation Research Board, Washington, D.C. doi:10.17226/25513

Silva, W. R. L. and D. S. Lucena (2018). Concrete Cracks Detection Based on Deep Learning Image Classification. Proceedings, v.2, n.8. doi:10.3390/icem18-05387

Sun, Y.; E. Salari, and E. Chou (2009). Automated pavement distress detection using advanced image processing techniques. Proceedings of 2009 IEEE International Conference on Electro/Information Technology. EIT 2009. p. 373–377. doi:10.1109/EIT.2009.5189645

Zhang, A.; K. C. P. Wang; B. Li; E. Yang; X. Dai; Y. Peng; Y. Fei; Y. Liu; J. Q. Li and C. Chen (2017). Automated Pixel-Level Pavement Crack Detection on 3D Asphalt Surfaces Using a Deep-Learning Network. Computer-Aided Civil and Infrastructure Engineering, v.32, n.10, p. 805–819. doi:10.1111/mice.12297

Zhang, L.; F. Yang; Y. D. Zhang and Y. J. Zhu (2016). Road crack detection using deep convolutional neural network. Proceedings - International Conference on Image Processing (ICIP). p. 3708–3712. doi:10.1109/ICIP.2016.7533052

Downloads

Publicado

15-12-2020

Como Citar

Dalla Rosa, F., Favretto, L. D., Rodrigues, V. B., & Gharaibeh, N. G. (2020). Avaliação do desempenho de redes neurais convolucionais para detecção automática de trincas em pavimentos. TRANSPORTES, 28(5), 267–279. https://doi.org/10.14295/transportes.v28i5.2283

Edição

Seção

Artigos