Detecção de Fissuras em Superfícies de Concreto utilizando Machine Learning
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 coocor...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidade Estadual de Londrina
2025-04-01
|
| Series: | Semina: Ciências Exatas e Tecnológicas |
| Subjects: | |
| Online Access: | https://ojs.uel.br/revistas/uel/index.php/semexatas/article/view/51427 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | 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.
|
|---|---|
| ISSN: | 1676-5451 1679-0375 |