Banca de DEFESA: ERIKA JULLIANY DE OLIVEIRA MENDES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ERIKA JULLIANY DE OLIVEIRA MENDES
DATA : 29/05/2026
HORA: 09:00
LOCAL: Pós-Graduação Engenharia Civil
TÍTULO:

APLICAÇÃO DE MACHINE LEARNING NA SEGMENTAÇÃO DE IMAGENS DE VANTS PARA QUANTIFICAÇÃO DE DEFEITOS EM PAVIMENTOS ASFALTICOS

 

PALAVRAS-CHAVES:

pavimentos; machine learning; visão computacional; VANT; segmentação de imagens; YOLOv8; Mask R- CNN.

 

PÁGINAS: 142
RESUMO:

A avaliação de defeitos em pavimentos rodoviários ainda é predominantemente realizada por inspeções visuais, marcadas por subjetividade, alto custo e baixa eficiência. Nesse contexto, este estudo investiga o uso de técnicas de Machine Learning associadas a imagens obtidas por Veículos Aéreos Não Tripulados (VANTs) para a detecção e quantificação automatizada de defeitos em pavimentos flexíveis. A metodologia envolveu a aquisição de imagens de um trecho de pavimento flexível na Universidade Federal de Pernambuco, por meio de um VANT DJI Mavic Air, com voos a 15 m e 20 m, permitindo analisar a influência da resolução espacial na detecção dos defeitos. As imagens escolhidas da base de dados, os defeitos foram anotados manualmente com a plataforma VGG Image Annotator (VIA), constituindo o conjunto de dados supervisionado. Para a segmentação, foram empregadas arquiteturas de aprendizado profundo distintas: Mask R-CNN para trincas, com segmentação em nível de pixel, e YOLOv8-seg para detecção e segmentação de panelas e remendos. A quantificação geométrica dos defeitos foi realizada a partir da conversão de medidas em pixels para unidades reais, utilizando o Ground Sample Distance (GSD) como fator de escala. A avaliação dos modelos foi conduzida por meio de métricas específicas, sendo IoU (Intersection over Union) e Dice aplicados à segmentação de trincas, e métricas internas do YOLOv8, como precisão, revocação, F1-score e mean Average Precision (mAP), utilizadas para análise do desempenho na detecção de panelas e remendos. Os resultados indicaram que o desempenho dos modelos foi diretamente influenciado pela altura de voo, sendo observado que o voo realizado a 15 m apresentou desempenho superior em relação ao voo de 20 m, tanto para trincas quanto para panelas e remendos. Conclui-se que a aplicação de Machine Learning associada a imagens de VANTs apresenta alto potencial para a automação da avaliação de pavimentos, proporcionando maior precisão e agilidade na tomada de decisão em SGP. Contudo, o desempenho dos modelos depende da resolução das imagens, da qualidade das anotações e da complexidade dos defeitos,exigindo aprimoramento contínuo.

 

MEMBROS DA BANCA:
Presidente - 1219609 - LYNEKER SOUZA DE MOURA
Interno - 2767145 - MAURICIO OLIVEIRA DE ANDRADE
Externo à Instituição - LUCAS FEITOSA DE ALBUQUERQUE LIMA BABADOPULOS - UFC