@MASTERSTHESIS{ 2023:126580309,
 	title = {Segmentação semântica de defeitos em pavimentos asfálticos com uso de redes neurais convolucionias},
 	year = {2023},
 	url = "http://tede.upf.br:8080/jspui/handle/tede/2909",
 	abstract = "A classificação de defeitos em pavimentos asfálticos é um dos fatores primordiais para o correto gerenciamento da malha viária. Realizar este levantamento de forma manual demanda tempo, emprega uma quantia de recursos financeiros considerável e torna a realização de uma inspeção completa insustentável. Uma alternativa mais automática, rápida e abrangente a este processo é a aplicação de processamento de imagens por visão computacional. Pesquisas recentes apontam que abordagens utilizando Redes Neurais Convolucionais demonstram uma boa capacidade em identificar e classificar defeitos em pavimentos asfálticos. Nesse contexto, este trabalho propõe um método de inspeção semiautomática de pavimentos asfálticos para identificar e classificar defeitos do tipo trincas interligadas, panelas e remendos por imagens, empregando uma Rede Neural Convolucional por meio de um algoritmo desenvolvido com a linguagem Python. A pesquisa utiliza um Veículo Aéreo Não Tripulado para a aquisição de imagens de pavimentos asfálticos para compor o banco de dados realizado em duas etapas: imagens de trincas interligadas, e posteriormente um conjunto de imagens completo, contendo os três defeitos. Na Etapa 1 realizou-se a segmentação de 1985 imagens de 256 x 256 pixels, obtidas no campus I da Universidade de Passo Fundo, e na Etapa 2, 100 imagens de 5472 x 3078 pixels, obtidas no mesmo local e ainda na Rua Rui Barbosa, na cidade de Passo Fundo/RS. A elaboração do ground truth foi feita através do aplicativo Hasty. A Rede Neural Convolucional proposta utiliza a arquitetura U-Net associada a redes pré-treinadas para realizar a tarefa de segmentação das imagens. Na Etapa 1 o modelo com arquitetura U-Net associado ao backbone RESNET 34 apresentou o melhor desempenho na segmentação de trincas interligadas. Com isto em mente, a Etapa 2 considerou esse modelo como base no desenvolvimento de uma rede multiclassificatória com três variações de patch. A rede multiclassificatória de melhor desempenho foi o modelo que utiliza patches de 32x32 pixels, alcançando valores de IoU médio 0,429 e Dice médio de 0,526. Os valores foram considerados abaixo do ideal uma vez que as classes de defeitos obtiveram resultados inferiores em relação às classes de ruído e pavimento. Observou-se também a necessidade de ampliação do banco de dados, com balanceamento entre as classes, como chave para melhorar os modelos multiclasse e possibilitar que sejam utilizados como ferramentas de apoio na identificação de defeitos.",
 	publisher = {Universidade de Passo Fundo},
 	scholl = {Programa de Pós-Graduação em Engenharia Civil e Ambiental},
 	note = {Instituto de Tecnologia – ITEC}
}