Desenvolvimento de um sistema de visão computacional para inspeção de rachaduras em edificações com um robô móvel
Keywords:
Visão Computacional, Inspeção de Rachaduras, Robô Móvel, Inteligência Artificial, Deep LearningAbstract
Monitorar a saúde das infraestruturas de engenharia civil, incluindo a detecção precoce de rachaduras, é crucial para garantir segurança e durabilidade. No entanto, a detecção e localização de rachaduras são processos dispendiosos, demorados e suscetíveis a falhas humanas. A indústria da construção 4.0 surge como uma solução, integrando sistemas avançados de produção industrial e tecnologias digitais para remodelar o ciclo de construção, operação e manutenção. Dentro desse cenário, a Inteligência Artificial (IA) desempenha um papel crucial, especialmente com o uso de métodos de Machine Learning em sistemas de visão artificial. Isso permite que o computador aprenda com os dados com pouca ou nenhuma intervenção humana. Com o avanço da visão computacional e da robótica móvel, cresce a necessidade por aprimoramentos técnicos, ressaltando o papel crucial do Deep Learning. Várias propostas na literatura visam a construção de robôs autônomos com visão computacional, direcionados à automatização da inspeção na construção civil. Assim, este trabalho tem como objetivo a criação de um sistema de visão computacional com inteligência artificial aplicável em um robô móvel de baixo custo, visando a inspeção de rachaduras em edificações.
Downloads
References
L. Ali et al. “Bibliometric Analysis and Review of Deep Learning-Based Crack Detection Literature Published between 2010 and 2022”. Em: Buildings 12.4 (2022). doi: 10.3390/buildings12040432.
S. K. Baduge et al. “Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications”. Em: Automation in Construction 141 (2022). doi: 10.1016/j.autcon.2022.104440.
M. Massao-Hanaoka e C. E. Rubio-Mercedes. “Classificação e Agrupamento de Dados Utilizando Conceitos dos Algoritmos k-NN e k-means”. Em: Proceeding Series of the Brazilian Society of Computational and Applied Mathematics 10.1 (2023).
A. L. C. Ottoni, M. S. Novo e D. B. Costa. “Deep Learning for vision systems in Construction 4.0: a systematic review”. Em: Signal, Image and Video Processing 17.5 (2023), pp. 1821–1829. doi: 10.1007/s11760-022-02393-y.
A. L. C. Ottoni et al. “Tuning of data augmentation hyperparameters in deep learning to building construction image classification with small datasets”. Em: International Journal of Machine Learning and Cybernetics 14.1 (2023), pp. 171–186.
S. Pennada et al. “Threshold-Based BRISQUE-Assisted Deep Learning for Enhancing Crack Detection in Concrete Structures”. Em: Journal of Imaging 9.10 (2023). doi: 10.3390/jimaging9100218.
A. Sheta e S. A. Mokhtar. “Autonomous robot system for pavement crack inspection based CNN model”. Em: Journal of Theoretical and Applied Information Technology 100.16 (2022), pp. 5119–5128.
S. K. Sinha e P. W. Fieguth. “Automated detection of cracks in buried concrete pipe images”. Em: Automation in Construction 15.1 (2006), pp. 58–72. doi: 10.1016/j.autcon.2005.02.006.
S. N. Yu, J. H. Jang e C. S. Han. “Auto inspection system using a mobile robot for detecting concrete cracks in a tunnel”. Em: Automation in Construction 16.3 (2007), pp. 255–261. doi: 10.1016/j.autcon.2006.05.003.
