Detecção de danos em estruturas de concreto utilizando fotografias aéreas obtidas por VANTs

Abstract

Este estudo apresenta uma abordagem para a inspeção de obras de arte especiais (OAE), como pontes, utilizando veículos aéreos não tripulados (VANTs) e técnicas avançadas de Inteligência Artificial. O objetivo é aprimorar a segurança e reduzir custos na manutenção de infraestruturas de concreto. Desenvolveu-se uma metodologia detalhada de captura de imagens, garantindo a obtenção de dados precisos e confiáveis. O método proposto emprega um banco de dados de imagens representativo, com 19.659 imagens de estruturas com e sem danos, para treinar algoritmos eficientes na detecção de fissuras e outros defeitos. A investigação dos métodos de pré-processamento revela que o filtro Gaussiano apresenta o melhor desempenho em aumentar a eficiência dos métodos de classificação. Na detecção de bordas, o método Sobel se destaca. As Redes Neurais Convolucionais (CNN) foram utilizadas na identificação de trincas, demonstrando uma acurácia de 90,31\%, F1-Score de 90,50\% e precisão de 91,00\%, superando técnicas tradicionais de classificação, como Máquinas de Vetores de Suporte (SVM) e Regressão Logística. A análise da influência da quantidade de imagens reforçou a importância de uma distribuição equilibrada para otimizar o desempenho do modelo. Como resultado final, tem-se a elaboração de códigos computacionais para a análise automática das imagens capturadas e a criação de um protocolo de vistoria aérea otimizado, visando a manutenção eficiente e precisa de infraestruturas críticas.

This study presents an approach for the inspection of engineering structures, such as bridges, using unmanned aerial vehicles (UAVs) and advanced artificial intelligence techniques. The objective is to enhance safety and reduce costs in the maintenance of concrete structures. A detailed image capture methodology was developed, ensuring the acquisition of precise and reliable data. The proposed method employs a representative image database, with 19,659 images of structures with and without damage, to train efficient algorithms in the detection of cracks and other defects. The investigation of preprocessing methods reveals that the Gaussian filter presents the best performance in increasing the efficiency of classification methods. In edge detection, the Sobel method stands out. Convolutional Neural Networks (CNN) were used in the identification of cracks, demonstrating an accuracy of 90.31%, an F1-Score of 90.50%, and a precision of 91.00%, surpassing traditional classification techniques such as Support Vector Machines (SVM) and Logistic Regression. The analysis of the influence of the number of images reinforced the importance of a balanced distribution to optimize the model’s performance. As a final result, computational codes were developed for the automatic analysis of the captured images and the creation of an optimized aerial inspection protocol, aiming at efficient and precise maintenance of critical structures.