[pt] ABORDAGEM ONE-SHOT LEARNING PARA CLASSIFICAÇÃO DE IMAGENS DE INSPEÇÕES SUBMARINAS

[en] ONE-SHOT LEARNING APPROACH FOR IMAGE CLASSIFICATION OF SUBMARINE INSPECTIONS

[pt] PEDRO GABRIEL SERODIO SALES

[pt] REDES NEURAIS DE APRENDIZADO PROFUNDO

[pt] INSPECAO SUBMARINA

[pt] ONE SHOT LEARNING

[pt] REDES SIAMESAS

[en] DEEP NEURAL NETWORKS

[en] UNDERWATER INSPECTION

[en] ONE SHOT LEARNING

[en] SIAMESE NETWORKS

[pt] As inspeções submarinas são essenciais para a manutenção de infraestru turas offshore, mas enfrentam desafios como alto custo de coleta, baixa qual idade das imagens e escassez de dados rotulados. Devido à diversidade de objetos e estruturas, modelos tradicionais são limitados, tornando técnicas que aprendem com poucos exemplos relevantes e representativos. O presente trabalho propõe um classificador de imagens voltado para inspeções submarinas utilizando a abordagem de One-Shot Learning. Essa técnica permite que modelos de aprendizado de máquina reconheçam novas classes a partir de um número extremamente limitado de exemplos, superando a limitação de conjuntos de dados escassos, comuns em aplicações submarinas. Para isso, foi utilizada uma rede neural do tipo Siamesa, capaz de aprender uma função de similaridade entre pares de imagens. O modelo foi treinado em um conjunto de imagens de inspeções submarinas contendo diferentes categorias, como ROV, dutos, flanges, manipuladores, objetos e equipamentos, e avaliado em tarefas N-way, utilizando métricas como acurácia, precisão, recall e F1-score. Os resultados demonstraram que a abordagem é eficaz na identificação de classes inéditas com desempenho competitivo, evidenciando a aplicabilidade do One Shot Learning em cenários de inspeção submarina com disponibilidade limitada de dados.

[en] Underwater inspections are essential for maintaining offshore infrastructure but face challenges such as high collection costs, low image quality, and limited labeled data. Due to the diversity of objects and structures, traditional models are limited, making techniques that learn from few examples particularly relevant and representative. This work presents an image classifier for underwater inspections based on the One-Shot Learning approach. This technique enables machine learning models to recognize new classes from a very limited number of examples, overcoming the common limitation of scarce datasets in underwater applications. A Siamese neural network was employed to learn a similarity function between image pairs. The model was trained on a dataset of underwater inspection images containing different categories, such as ROVs, pipelines, objects, junctions, and equipment, and evaluated in N-way tasks using metrics including accuracy, precision, recall, and F1-score. The results demonstrated that the approach effectively identifies unseen classes with competitive performance, highlighting the applicability of One-Shot Learning in underwater inspection scenarios with limited data availability. This study contributes to the development of intelligent tools that can assist in the main tenance and monitoring of submerged structures.

MARCO AURELIO CAVALCANTI PACHECO

MANOELA RABELLO KOHLER

2026-03-26

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75860@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75860@2

https://doi.org/10.17771/PUCRio.acad.75860