Banca de DEFESA: THABATTA MOREIRA ALVES DE ARAUJO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: THABATTA MOREIRA ALVES DE ARAUJO
DATA: 29/05/2024
HORA: 14:00
LOCAL: Híbrido (presencial e online)
TÍTULO:

DETECÇÃO DE DANOS EM SUPERFÍCIES GEOTÉCNICAS COM REDES NEURAIS CONVOLUCIONAIS DE BAIXA COMPLEXIDADE

PALAVRAS-CHAVES:

visão computacional; redes neurais convolucionais; dados escassos; processamento de imagem; estruturas geotécnicas

PÁGINAS: 55
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

A maioria dos desastres naturais resulta de eventos geodinâmicos, como deslizamentos de terra e colapso de estruturas geotécnicas. Essas falhas causam catástrofes que impactam diretamente o meio ambiente e causam perdas financeiras e humanas. A inspeção visual é o principal método para detectar falhas em superfícies de estruturas geotécnicas. Todavia, as visitas no local podem ser arriscadas devido à possibilidade de solo instável. Além disso, o design do terreno e as condições de instalação hostis e remotas tornam inviável o acesso a essas estruturas. Quando uma avaliação rápida e segura é necessária, a análise por visão computacional torna-se uma alternativa. No entanto, estudos em técnicas de visão computacional ainda precisam ser explorados neste campo devido às particularidades da engenharia geotécnica, como conjuntos de dados públicos limitados, redundantes e escassos. Neste contexto, esta tese apresenta uma abordagem CNN para a identificação de defeitos na superfície de estruturas geotécnicas com o objetivo de reduzir a dependência de inspeções no local conduzidas por humanos. Para tanto, foram coletadas imagens de indicadores de falha superficial em taludes às margens de uma rodovia brasileira, com o auxílio de VANT e dispositivos móveis. Em seguida, foram experimentadas arquiteturas CNNde baixa complexidade para construir um classificador binário capaz de detectar em imagens falhas aparentes a olho nu humano. A arquitetura composta por três camadas convolucionais, cada uma com 32 filtros, seguidas por duas camadas totalmente conectadas, cada uma composta por 128 neurônios apresentou acurácia de 94,26%. A avaliação de desempenho do modelo com o conjunto de teste obteve métricas de AUC de 0,99 e matriz de confusão que indicam desempenho robusto do classificador na detecção de danos, ao mesmo tempo que mantém uma baixa complexidade computacional, tornando-a adequada para aplicações práticas em campo. As contribuições da tese incluem a disponibilização de banco de imagens que retratam danos visíveis em taludes, a obtenção de um modelo de classificação adequado para dados escassos e processamento com recursos computacionais limitados, e a exploração de estratégias para inspeção remota e identificação de indicadores de falhas em superfícies de estruturas
geotécnicas.

MEMBROS DA BANCA:
Externo à Instituição - ANDRE CARLOS PONCE DE LEON FERREIRA DE CARVALHO
Presidente - 1353026 - CARLOS RENATO LISBOA FRANCES
Externo à Instituição - CLAUDIO ALEX JORGE DA ROCHA
Interno - 2522772 - JASMINE PRISCYLA LEITE DE ARAUJO
Interno - 2153181 - JOAO CRISOSTOMO WEYL ALBUQUERQUE COSTA