Avaliação da detecção automatizada de defeitos em pavimentos com YOLOv3: impacto das técnicas de coleta

Abstract

Este estudo envolveu o treinamento de seis redes neurais com configurações personalizadas para detectar automaticamente defeitos nos pavimentos, utilizando o framework YOLOv3. A aquisição de imagens e vídeos retratando defeitos do pavimento foi realizada utilizando smartphones e câmeras de ação, levando à organização de seis datasets distintos. Cada rede neural foi submetida a treinamento e validação com o objetivo de atingir a precisão ideal na detecção automatizada de objetos. A aplicação do YOLOv3 possibilitou a realização eficiente de levantamentos de defeitos, contribuindo para o diagnóstico da qualidade do pavimento e fornecendo subsídios para a tomada de decisão na gestão dos transportes rodoviários. Ao final da análise, constatou-se que o método de enquadramento com maior eficácia atingiu uma taxa de precisão de 98%. Os resultados demonstram a eficácia do YOLOv3 na identificação dos defeitos, ressaltando a importância das técnicas de coleta e enquadramento e contribuindo para aumentando do conhecimento existente sobre detecção automatizada de defeitos em pavimentos.

Keywords

• Pavimento
• Coleta de dados
• Aprendizado profundo