Avaliação do desempenho de redes neurais convolucionais para detecção automática de trincas em pavimentos

Abstract

Neste artigo é avaliado o potencial de Redes Neurais Convolucionais (RNC) como ferramenta automatizada para detecção de trincas em superfícies de pavimentos. Foram utilizadas fotografias da superfície de diferentes segmentos de um pavimento do tipo Cheapseal, obtidas a partir de câmeras fotográficas montadas em veículos. As imagens foram avaliadas a partir da proposta do uso de duas arquiteturas de redes neurais convolutionais e implementadas com o auxílio da biblioteca de aprendizado de máquina PyTorch, o qual possui código aberto e disponível na forma de script em linguagem Python. As imagens foram processadas com o uso de três técnicas diferentes, com o intuito de avaliar a influência da complexidade dos algoritmos propostos. Para análise da performance da rede neural, foram utilizadas como métricas de avaliação a acurácia, a precisão, o recall e o F1 score. Os resultados apontaram que a arquitetura da rede neural escolhida apresentou desempenho satisfatório na detecção de trincas, bem como indicam que a complexidade da rede é um dos fatores a ser considerado durante o processo de classificação das imagens.This research aims to analyze the performance of Convolutional Neural Network (CNN) as an automated tool applied to pavement surface crack detection. A group of pictures from different segments of chip seal pavement, acquired from photographic recording systems mounted on specific vehicles, was evaluated. An open-source machine learning library PyTorch available in the Python script language was applied to evaluate the images. The influence of three techniques used to process the pictures and the complexity of neural networks on the crack identification performance are discussed as well. The accuracy, precision, recall, and F1 score metrics were used to assess the neural network performance. The results show a good performance of the selected algorithm for pavement crack detection based on the observed metrics. Furthermore, it was found that the complexity of the neural network is an important factor that should be considered during the image classification process.