Identificação das características patológicas em estruturas de concreto

Abstract

Este trabalho aborda a identificação e geolocalização de fissuras em estruturas de concreto por meio de inteligência artificial. O tema se mostra extremamente relevante ao comparar os métodos atuais de inspeções de estruturas de concreto que se baseiam na inspeção visual humana, abrindo margem para intepretação e erro humano. As fissuras são um tipo de manifestação patológica, sua escolha como objeto de identificação se deu por se tratar dos sintomas mais frequentes encontrados nas estruturas de concreto (PIANCASTELLI ,2016). Para se realizar a identificação das fissuras por meio de imagens, foi testada e comparada a performance das arquiteturas Mask R-CNN e YOLO versão 8, amplamente utilizadas para a detecção de objetos. Os resultados das duas redes neurais se mostraram satisfatórias, sendo obtido uma precisão acima de 90% na identificação das fissuras em ambos os casos. Este estudo proporciona insights valiosos tanto para engenheiros civis quanto para engenheiros de controle e automação, além de pesquisadores interessados na aplicação de inteligência artificial para detecção de fissuras em estruturas de concreto.

This work addresses the identification and geolocation of cracks in concrete structures using artificial intelligence. The topic proves to be extremely relevant when comparing current methods of inspection of concrete structures that are based on human visual inspection, leaving room for interpretation and human error. Cracks are a type of pathological manifestation, their choice as an object of identification was because they are the most frequent symptoms found in concrete structures (PIANCASTELLI, 2016). To identify cracks through images, the performance of the Mask R-CNN and YOLO version 8 architectures, widely used for object detection, was tested and compared. The results of the two neural networks were satisfactory, with an accuracy above 90% in identifying cracks in both cases. This study provides valuable insights for both civil engineers, control and automation engineers, as well as researchers interested in applying artificial intelligence to detect cracks in concrete structures.