[en] CRACK DETECTION FROM IMAGES USING MACHINE LEARNING

[pt] DETECÇÃO DE TRINCAS A PARTIR DE IMAGENS UTILIZANDO APRENDIZADO DE MÁQUINA

[pt] MAURILIO GOMES DONIN DE SOUZA

[pt] APRENDIZADO DE MAQUINA

[pt] DETECCAO DE TRINCAS

[pt] EXTRACAO DE CARACTERISTICAS

[pt] MONITORAMENTO DA SAUDE ESTRUTURAL - SHM

[en] MACHINE LEARNING

[en] CRACK DETECTION

[en] FEATURES EXTRACTION

[en] STRUCTURAL HEALTH MONITORING - SHM

[pt] A detecção de trincas representa um desafio comum no monitoramento de saúde de estruturas (SHM - de Structural Health Monitoring). Frequentemente conduzido manualmente, esse processo é suscetível a erros. A utilização de imagens oferece vantagens significativas, eliminando a necessidade de contato direto com a estrutura e proporcionando uma cobertura mais abrangente. Além disso, as técnicas de aprendizado de máquina têm demonstrado eficácia na classificação de imagens, identificando a presença ou ausência de danos. O presente trabalho implementa uma pipeline de aprendizado de máquina composta por pré-processamento, extração de características utilizando Análise das Componentes Principais, criação dos modelos Máquina de Vetor Suporte, Árvore de Decisão e K-ésimo Vizinho Mais Próximo, otimização de hiperparâmetros e análise dos resultados, na tarefa de classificação de imagens de concreto com trincas e sem trincas. A melhor performance obtida neste trabalho foi utilizando o modelo SVM obtendo uma acurácia de 98,18%, precisão de 98,70% recall de 97,60% e F1-Score de 98,15%.

[en] Crack detection poses a common challenge in structural health monitoring (SHM). Often conducted manually, this process is prone to errors. The use of images offers significant advantages by eliminating the need for direct contact with the structure and providing more comprehensive coverage. Furthermore, machine learning techniques have demonstrated effectiveness in image classification, identifying the presence or absence of damage. This study implements a machine learning pipeline consisting of preprocessing, feature extraction using Principal Component Analysis, model creation for Support Vector Machine, Decision Tree, and K-nearest neighbors, hyperparameter optimization, and results analysis in the task of classifying images of concrete with and without cracks. The best performance achieved in this study was using the SVM model, which exhibited an accuracy of 98.18%, precision of 98.70%, recall of 97.60%, and F1- Score of 98.15%.

HELON VICENTE HULTMANN AYALA

WALISSON CHAVES FERREIRA PINTO

2023-12-21

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65661@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=65661@2

https://doi.org/10.17771/PUCRio.acad.65661