Classificação de defeitos em pavimentos utilizando redes neurais artificiais convolucionais

Abstract

O transporte terrestre é o meio de locomoção predominante no mundo, demonstrando a significância dos pavimentos em nosso cotidiano. Os pavimentos devem demonstrar robustez e durabilidade durante seu ciclo de vida previsto, pois desde o momento da sua concepção, os pavimentos começam a se deformar, devido ao tráfego e às condições climáticas. Para isso, devem ser mantidos e gerenciados com o objetivo de prolongar sua vida útil projetada, devido ao fato de que defeitos ou irregularidades no pavimento acarretam a consequências como custo para recuperação além de prejudicar os usuários que o utilizam. Um dos setores econômicos impactados é o agrícola, com desafios relacionados à infraestrutura viária como meio para o escoamento de suas produções, podendo afetar o acesso às áreas de cultivo e o transporte dos produtos. Dessa forma, uma detecção rápida e precisa, nos defeitos no pavimento, garantirá a preservação dos mesmos. Este trabalho propõe explorar as capacidades das redes neurais convolucionais combinadas ao aprendizado por transferência à tarefa de classificação de defeitos no pavimento flexível, a fim de obter um comparativo entre as redes e identificar qual produz o melhor desempenho em termos de acurácia e perda. As arquiteturas utilizadas foram VGG16, VGG19, MobileNet, ResNet50 e Rede Siamesa, obtendo acurácia geral do modelo respectivamente de 89%, 87%, 95%, 44% e 92%. Além disso, é apresentado uma matriz de confusão que representa visualmente a quantia de previsões corretas e erradas de cada classe, mostrando com qual outra classe o modelo se confundiu. Por fim, conclui-se que os modelos de redes neurais convolucionais VGG16, VGG19, MobileNet e Rede Siamesa são capazes de realizar a tarefa de classificação de defeito no pavimento demonstrando confiabilidade nas previsões positivas e capacidade de identificar instâncias reais de suas respectivas classes.