Identificação automática de fissuras em estruturas de betão com recurso a drones e inteligência artificial
Fotografia: D.R.
O presente artigo descreve o desenvolvimento de uma metodologia de identificação de fissuras em estruturas de betão com recurso a UAVs e a técnicas de inteligência artificial (IA) de processamento de imagem. A metodologia possibilita a deteção e caraterização dimensional das fissuras, nomeadamente do seu desenvolvimento e abertura, com recurso a redes neuronais convolucionais por regiões (R-CNN) e outros algoritmos dedicados, desenvolvidos em Python®. A rede neuronal foi baseada numa extensa base de dados, com cerca de 86 mil imagens, e apresentou um índice de fiabilidade acima dos 97 %. A metodologia foi aplicada à inspeção remota das fachadas exteriores de dois edifícios, onde foi possível identificar fissuras com abertura igual ou superior a 0,50 mm. A informação recolhida servirá de base para o planeamento mais eficiente das operações de manutenção das infraestruturas, incluindo eventuais trabalhos de reparação ou reforço.
1. Introdução
A digitalização da informação proveniente de inspeções de estruturas de betão armado, é ainda, em muitas situações, um desafio para os técnicos responsáveis. Atualmente, novos meios tecnológicos de inspeção remota estão disponíveis, particularmente o recurso a veículos aéreos não tripulados (UAVs) e sistemas avançados de vídeo. Além disso, novas técnicas baseadas em inteligência artificial têm possibilitado a identificação automática e eficiente de anomalias estruturais.
No que diz respeito a técnicas baseadas em IA, algoritmos de deep learning são amplamente utilizados em visão computacional e, mais especificamente, na classificação de imagens. Neste domínio, os algoritmos mais utilizados são as Redes Neuronais Convolucionais (CNNs), nomeadamente as baseadas em Regiões (R-CNNs), que têm apresentado resultados promissores na deteção e caraterização de anomalias de vários tipos. Cha et al. propuseram uma metodologia baseada em R-CNNs para a deteção automática de fissuras. Para isso, utilizaram uma base de dados de 40 mil imagens de betão intacto e fissurado, e registaram uma taxa de sucesso de classificação de 97,95 %. Li e Zhao analisaram o desempenho de cinco modelos de deep learning na deteção e localização de fissuras em estruturas de betão, tendo concluído que existe uma relação direta entre a qualidade e dimensão da base de dados e a precisão do modelo. No entanto, o aumento da dimensão da base de dados sem a necessária variabilidade das caraterísticas das imagens apresenta como consequência, por outro lado, uma degradação do desempenho dos modelos. Também a criteriosa definição dos hiperparâmetros dos modelos demonstrou ser decisiva para alcançar maiores taxas de sucesso. (...)
Por Diogo Ribeiro, Ricardo Santos, CONSTRUCT-LESE, ISEP; Rafael Cabral, CONSTRUCT-LESE, FEUP; e Eurico Carola, Conduril Engenharia SA, Ermesinde
Artigo completo na Construção Magazine nº121 mai/jun 2024, dedicada ao tema 'Novas tecnologias no suporte às atividades da construção'
Outros artigos que lhe podem interessar