Detecção de Fissuras em Superfícies de Concreto utilizando Machine Learning
DOI:
https://doi.org/10.5433/1679-0375.2025.v46.51427Palavras-chave:
manutenção de infraestrutura, visão computacional, descritores de textura, monitoramento automatizadoResumo
Neste estudo foram empregadas técnicas de Aprendizado de Máquina para a detecção de fissuras em superfícies de concreto. Foi utilizado um conjunto de imagens de superfícies de concreto com e sem fissuras. A partir dessas imagens, foram extraídos descritores de textura por meio de matrizes de coocorrência de níveis de cinza (GLCM). Utilizando os descritores de textura como características, foram treinados quatro modelos de aprendizado de máquina, sendo: Regressão Logística, Redes Neurais Artificiais, Random Forest e eXtreme Gradient Boosting (XGBoost). A validação cruzada do tipo k-fold foi utilizada para avaliar o desempenho dos modelos, além de métricas como acurácia, sensibilidade, precisão, F1-score - média harmônica entre precisão e sensibilidade - e a Área Sob a Curva ROC (AUC).
Os resultados mostraram desempenho satisfatório de todos os modelos, com destaque para o modelo XGBoost, que atingiu 99,65% de acurácia e 99,70% de sensibilidade.
Downloads
Referências
Arivabene, A. C. (2015). Patologias em estruturas de concreto armado: Estudo de caso. Revista Especialize On-line IPOG, 1(10), 1-22.
Associação Brasileira de Normas Técnicas. (2010). NBR 9575: Impermeabilização - Seleção e projeto. ABNT.
Associação Brasileira de Normas Técnicas. (2014). NBR 6118: Projeto de estruturas de concreto - Procedimento. ABNT.
Chen, K., Yadav, A., Khan, A., Meng, Y., & Zhu, K. (2019). Improved crack detection and recognition based on convolutional neural network. Modelling and Simulation in Engineering, 2019 1-8. https://doi.org/10.1155/2019/8796743 DOI: https://doi.org/10.1155/2019/8796743
Diniz, J. de C. N., Paiva, A. C., Braz, Geraldo, Jr., Almeida, J. D. S., Silva, A. C., Cunha, A. M. T. S., & Cunha, S. C. A. P. S. (2023). A method for detecting pathologies in concrete structures using deep neural networks. Applied Sciences, 13(9), 5763. https://doi.org/10.3390/app13095763 DOI: https://doi.org/10.3390/app13095763
Haralick, R. M., Shanmugam, K., & Dinstein, I. H. (1973). Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, (6), 610-621. 10.1109/TSMC.1973.4309314 DOI: https://doi.org/10.1109/TSMC.1973.4309314
Kim, J. J., Kim, A.-R., & Lee, S.-W. (2020). Artificial neural network-based automated crack detection and analysis for the inspection of concrete structures. Applied Sciences, 10(22), 8105. https://doi.org/10.3390/app10228105 DOI: https://doi.org/10.3390/app10228105
Mansour, I. R., & Thomson, R. M. (2023). Haralick texture feature analysis for characterization of specific energy and absorbed dose distributions across cellular to patient length scales. Physics in Medicine & Biology, 68(9),1-12. https://doi.org/10.1088/1361-6560/acc7f1 DOI: https://doi.org/10.1088/1361-6560/acb885
Nascimento, E. R. dos S., & Fontes, M. D. S. (2021). Patologias das estruturas de concreto armado. Revista FATEC de Tecnologia e Ciências, 6(1), 1-28. https://revista.fatecba.edu.br/index.php/rftc/issue/view/rftcv6n12021
Özgenel, Ç. F. (2019). Concrete crack images for classification. Mendeley Data, 2. https://doi.org/10.17632/5y9wdsg2zt.2
Pacifici, F., Chini, M., & Emery, W. J. (2009). A neural network approach using multiscale textural metrics from very high-resolution panchromatic imagery for urban land use classification. Remote Sensing of Environment, 113(6), 1276-1292. https://doi.org/10.1016/j.rse.2009.02.014 DOI: https://doi.org/10.1016/j.rse.2009.02.014
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing.
Tou, J., Tou, P., Lau, P. Y., & Tay, Y. H. (2007). Computer vision-based wood recognition system. In Thai Embedded Systems Association, Proceedings of the International Workshop on Advanced Image Technology [Proceedings]. International Workshop on Advance Image Technology, Bangkok, Thailand.
Vrbik, I., Van Nest, S. J., Meksiarun, P., Loeppky, J., Brolo, A., Lum, J. J., & Jirasek, A. (2019). Haralick texture feature analysis for quantifying radiation response heterogeneity in murine models observed using Raman spectroscopic mapping. PLoS One, 14(2), e0212225. 10.1371/journal.pone.0212225 DOI: https://doi.org/10.1371/journal.pone.0212225
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Antonio Mendes Magalhães Júnior, Ícaro Viterbre Debique Sousa, Heron Viterbre Debique Sousa, Thelma Sáfadi, Paulo Henrique Sales Guimarães
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
