| dc.contributor | MOURA, Márcio José das Chagas | |
| dc.contributor | http://lattes.cnpq.br/1522354201742486 | |
| dc.contributor | http://lattes.cnpq.br/7778828466828647 | |
| dc.creator | CUNHA, Beatriz Sales da | |
| dc.date | 2020-09-14T15:19:00Z | |
| dc.date | 2020-09-14T15:19:00Z | |
| dc.date | 2020-02-17 | |
| dc.date.accessioned | 2022-10-06T18:38:37Z | |
| dc.date.available | 2022-10-06T18:38:37Z | |
| dc.identifier | CUNHA, Beatriz Sales da. Development of computer vision based models for automated crack detection. 2020. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Pernambuco, Recife, 2020. | |
| dc.identifier | https://repositorio.ufpe.br/handle/123456789/37961 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3990963 | |
| dc.description | Systems subjected to continuous operation in harsh conditions are exposed to different failure mechanisms (e.g., corrosion, fatigue, and temperature-related defects). In this context, inspection and health monitoring have become crucial to prevent system, environment, and users from severe damage. However, visual inspection strongly depends on human’ experience, having its accuracy influenced by the physical and cognitive state of the inspector (i.e., human factors). Particularly, infrastructures need to be periodically inspected, which is costly, time-consuming, hazardous and biased. Nowadays, the increase in computer power allows for analyzing a considerable number of images in a shorter time and use more robust algorithms. Advances in Computer Vision (CV) and Machine Learning (ML) provide the means to the development of automated, accurate, non-contact and non-destructive inspection methods. Therefore, this dissertation proposes and compares the adoption of different CV approaches to extract features for crack detection. In fact, we applied texture-based and region-based methods to a real concrete crack image database, and then the results fed four ML models to identify crack existence, namely Support Vector Machine (SVM), Multilayer Perceptron (MLP), Adaboost (AB), and Random Forest (RF). Results show the potential of data preprocessing to improve methods’ performance in reaching a balanced accuracy above 97%. | |
| dc.description | FACEPE | |
| dc.description | Sistemas sujeitos à operação contínua em condições adversas são expostos a diferentes mecanismos de falha (por exemplo, corrosão, fadiga e problemas relacionados à temperatura). Nesse contexto, a inspeção e o monitoramento da saúde desses sistemas tornaram-se cruciais para evitar danos graves ao sistema, ao ambiente e aos usuários. No entanto, a inspeção visual depende fortemente da experiência humana, tendo sua precisão influenciada pelo estado físico e cognitivo do inspetor (ou seja, fatores humanos). Particularmente, edificações precisam ser inspecionadas periodicamente, o que é caro, demorado, perigoso e tendencioso. Atualmente, com o aumento da capacidade computacional, é possível analisar um número considerável de imagens em menos tempo e usar algoritmos mais robustos para tal. Os avanços em Visão Computacional (CV) e Aprendizagem de Máquina (ML) fornecem os meios para o desenvolvimento de métodos de inspeção automatizados, precisos, sem contato e não destrutivos. Portanto, esta Dissertação propõe e compara a adoção de diferentes abordagens envolvendo CV para extrair características de imagens, com o objetivo de detecção de trincas. De fato, foram aplicados métodos baseados em textura e região em um banco de dados real de imagens de trincas em concreto e, em seguida, os resultados alimentaram quatro modelos de ML para identificar a existência de trincas, a saber: Support Vector Machine (SVM), Multilayer Perceptron (MLP), Adaboost (AB) e Random Forest (RF). Os resultados mostram o potencial do pré-processamento de dados para melhorar o desempenho dos métodos ao atingir uma balanced accuracy acima de 97%. | |
| dc.format | application/pdf | |
| dc.language | eng | |
| dc.publisher | Universidade Federal de Pernambuco | |
| dc.publisher | UFPE | |
| dc.publisher | Brasil | |
| dc.publisher | Programa de Pos Graduacao em Engenharia de Producao | |
| dc.rights | openAccess | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Engenharia de Produção | |
| dc.subject | Detecção de trincas | |
| dc.subject | Processamento de imagens | |
| dc.subject | Segmentação | |
| dc.subject | Análise de textura | |
| dc.subject | Aprendizagem de máquina | |
| dc.title | Development of computer vision based models for automated crack detection | |
| dc.type | masterThesis | |
