Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/30554
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2020_TulioDeAraujoVieira_tcc.pdf2,97 MBAdobe PDFver/abrir
Título: Detecção de fissuras em concreto usando deep learning
Autor(es): Vieira, Túlio de Araújo
Orientador(es): Silva, Lenildo Santos da
Assunto: Aprendizado de máquina
Concreto
Data de apresentação: Dez-2020
Data de publicação: 2-Mai-2022
Referência: VIEIRA, Túlio de Araújo. Detecção de fissuras em concreto usando deep learning. 2020. 52 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Civil) — Universidade de Brasília, Brasília, 2020.
Resumo: A detecção de fissuras por algoritmos de computador é algo muito desejado, pois é o primeiro passo para possibilitar a extração de informações chave sobre patologias e manutenibilidade de edificações de maneira automática. Tradicionalmente, essa detecção tem sido feita com técnicas de processamento de imagens, utilizando os operadores de Sobel e Canny. Contudo, o advento algoritmos de Deep Learning para visão computacional e seus bons resultados em diversas aplicações trazem grandes promessas para a detecção automática de patologias de construções. A grande vantagem desses algoritmos é o aprendizado automático das regiões danificadas com base no conjunto de dados fornecido. Objetiva-se, primeiramente, apresentar uma revisão bibliográfica, explicando oque são redes neurais, seus tipos, e como funcionam. Em seguida, treina-se uma rede neural convolucional de classificação para a detecção de fissuras em concreto, usando um banco de dados open-source. Obteve-se boas métricas de treino, validação e teste, apesar de a boa performance estar limitada a situações semelhantes às retratadas pelos dados usados. Por fim, desenvolve-se um aplicativo web para a aplicação do modelo no navegador. Os resultados mostram o grande potencial desse novo paradigma, que pode ser expandido, no futuro, para a detecção de outras patologias em construções.
Abstract: The detection of cracks by computer algorithms is something very desired, as it is the first step to enable the extraction of key insightsabout pathologies and maintenance of buildings in an automatic way. Traditionally, this detection has been done with image processing techniques, using the Sobel and Canny operators.However, the advent of Deep Learning algorithms for computer vision and their good results in several applications bring great promises for the automatic detection of construction pathologies. The great advantage of these algorithms is the automatic learning ofthe damaged regions based on the dataset provided.Firstly,this paper aimsto present a bibliographic review, explaining what neural networks are, their types, and how they work. Then, a classificationconvolutional neural network is trained for the detection of cracks in concrete, using an open-source dataset. Good training, validation and test metrics were obtained, although good performance was limited to situations similar to those portrayed by the data used. Finally, a web application for the application of the model in the browser is developed. The results show the great potential of this new paradigm, which can be expanded, in the future, for the detection of other pathologies in constructions.
Informações adicionais: Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2020.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia Civil



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.