@MASTERSTHESIS{ 2022:1211134883,
 	title = {Otimização de hiperparâmetros de redes neurais para identificação de trincas em pavimentos flexíveis},
 	year = {2022},
 	url = "http://tede.upf.br:8080/jspui/handle/tede/2660",
 	abstract = "Métodos de detecção de trincas utilizando redes neurais vêm sendo utilizados para analisar pavimentos devido a sua versatilidade, adaptabilidade e por terem um impacto mínimo no tráfego da rede viária. Nesse contexto, ainda existem desafios a serem explorados, sendo a otimização de hiperparâmetros das redes neurais um deles. Os hiperparâmetros podem ser relacionados à arquitetura de rede (tamanho dos filtros, profundidade da rede) ou treinamento (taxa de aprendizado, dropout), e podem impactar no desempenho da rede de forma significativa. O presente estudo tem como foco a seleção de melhores arquiteturas de rede, e posterior otimização dos hiperparâmetros. A obtenção das imagens 2D dos pavimentos asfálticos, ocorreu por meio de um veículo aéreo não tripulado (VANT) no Campus I da Universidade de Passo Fundo. A partir de imagens com resolução de 5472 x 3078 pixels, tratou-se e foram manipulados recortes de 256x256 pixels, em escala de cinza e colorido. Em seguida, utilizando como base a arquitetura das redes MobileNet, AlexNet, DenseNet, SqueezeNet, VGG19, ResNet18, ResNet50, ResNet101, iniciou-se a etapa de treinamento das redes neurais, as quais utilizaram 40.000 imagens, em que 80% foram utilizados para treinamento, e 20% para a fase de validação. Com base nesses dados, realizou-se um estudo comparativo dos valores de precisão, recall, erro e tempo de inferência gerados por cada uma das redes treinadas, de forma que foi possível definir as quatro melhores arquiteturas de rede, e otimizá-las. Por fim, definiu-se a arquitetura AlexNet, com acurácia de 97,14%, F1-Score de 86,96% como sendo a melhor escolha de arquitetura, devido ao baixo tempo de inferência, de cerca de 34 milissegundos, e pela eficácia na detecção de trincas, com a menor utilização de poder computacional.",
 	publisher = {Universidade de Passo Fundo},
 	scholl = {Programa de Pós-Graduação em Engenharia Civil e Ambiental},
 	note = {Instituto de Tecnologia – ITEC}
}