Universidade Federal do Ceará
Mestrado e Doutorado em Ciências da Computação

Título: Aprendizado ativo aplicado ao YOLO para a detecção e classificação de defeitos em pavimentos

Data: 19/11/2024
Horário: 16h00
Local:  Sala de Seminários – Bloco 952 e Google Meet (https://meet.google.com/bnx-eafr-meq)

Resumo:

A detecção e classificação de defeitos em pavimentos, como buracos, trincas e remendos, é essencial para a manutenção proativa de estradas e segurança viária. Tradicionalmente, esse processo tem sido realizado manualmente, uma prática que, além de trabalhosa, é suscetível a inconsistências e atrasos na implementação de medidas corretivas. Recentemente, esta tarefa tem sido automatizada por métodos baseados em processamento de imagens com redes neurais artificiais. No entanto, o desempenho desses sistemas de detecção está intrinsecamente ligado à quantidade e à qualidade de dados de treinamento disponíveis, o que apresenta um desafio significativo, considerando-se o custo da rotulagem manual. Dessa maneira, este estudo apresenta uma abordagem de aprendizado ativo que visa selecionar os dados mais apropriados para a rotulação manual, com o objetivo de obter o melhor classificador final na presença de menos dados rotulados. Na experimentação serão aproveitadas as capacidades de detecção de objetos do YOLOv9, aplicando-se estratégias de transfer-learning e data augmentation. São comparadas diversas técnicas de aprendizado ativo, incluindo uma nova técnica, chamada CDU, que considera tanto as incertezas nas predições para cada classe quanto a diversidade das imagens escolhidas para rotulação. A validação da abordagem foi realizada através da análise de vídeos coletados em diferentes condições de vias urbanas e rodovias do Nordeste do Brasil, garantindo uma avaliação abrangente do desempenho em cenários variados e reais de pavimento. A abordagem CDU demonstrou a maior precisão, equilibrando o desempenho do modelo final e a quantidade de dados rotulados.

Banca examinadora: