Deteção automática de fissuras em paredes de edifícios pintadas

Data
2023-01-24
Título da revista
ISSN da revista
Título do Volume
Editora
Projetos de investigação
Unidades organizacionais
Fascículo
Resumo
A reabilitação de edifícios é uma realidade cada vez mais presente na indústria da construção, e todas as fases dos trabalhos de reabilitação têm de ser eficientes e sustentáveis. Atualmente, os procedimentos usados para avaliar as condições de construção são morosos, laboriosos e dispendiosos, podendo também representar ameaças para a saúde e segurança dos engenheiros, especialmente quando se inspeciona locais que não são de fácil acesso, ou quando o estado de degradação do edifício está muito avançado. A reabilitação de edifícios 4.0, que prevê a digitalização da indústria, entrou hoje nas agendas nacionais e torna-se urgente trabalhos que efetivem essas agendas. Para dar um contributo para a efetivação da reabilitação de edifícios 4.0 no presente trabalho, pretende-se detetar e localizar, de forma automática, anomalias do tipo fissuras em imagens de paredes de fachadas pintadas de edifícios. Foi necessário fazer um enquadramento e realizar a recolha do estado da arte sobre as temáticas abordadas: as anomalias em edifícios, em particular um dos mais frequentes, as fissuras e os métodos de inteligência artificial (aprendizagem automática e profunda) que permitam a deteção automática das anomalias na construção. O primeiro desafio foi a criação de uma base de dados que permitisse aos algoritmos de aprendizagem profunda aprenderem com base na informação disponível em fotografias. Para criar a base de dados é necessário obter as fotografias (de fachadas com fissuras e sem fissuras) e a seguir anotá-las identificando todas as fissuras presentes. Posteriormente os modelos foram pré-treinados numa base de dados pública com superfícies de betão fissuradas e não fissuradas e, em seguida, na base de dados criada de fotografias de fachadas de edifícios pintadas com e sem fissuras. O modelo proposto alcançou 99% de precisão no conjunto de dados públicos e 78% no conjunto de dados criado. Num segundo momento a base de dados foi aumentada, sido treinados novos modelos que permitiram obter melhores resultados São indicadas as limitações encontradas e futuros trabalhos são identificados.
The rehabilitation of buildings is an increasingly present reality in the construction industry, and all phases of the rehabilitation work must be efficient and sustainable. Currently, the procedures used to assess building conditions are time-consuming, laborious and expensive, and can also threaten the health and safety of engineers, especially when inspecting locations that are not easily accessible or when the building's state of decay is very advanced. The rehabilitation of buildings 4.0, which provides for the digitization of industry, has now entered the national agenda, hence the urgent need to develop studies for the purpose of implementing these agendas. In order to contribute to the implementation of the rehabilitation of buildings 4.0, in the present work it is intended to detect and automatically locate anomalies such as cracks, in images of painted facade walls of buildings. It was necessary to frame and collect information on the topics addressed, such as the anomalies in buildings, in particularly, one of the most frequent cracks and the artificial intelligence methods (automatic learning and deep learning) that allow the automatic detection of construction anomalies. These topics are developed in in "Estado da Arte" chapter. The first challenge was to create a database that would allow deep learning algorithms to learn based on the information available in photographs. To create the database is necessary to obtain photographs (of facades with and without cracks) and then mark off all the cracks present, for the program to identify them. Subsequently, the models were pre-trained on a public database with cracked and non-cracked concrete surfaces and then on a database created from photographs of painted building facades with and without cracks. The proposed model achieved 99% accuracy in the public dataset and 78% in the created dataset. In a second moment, the database was increased, and new models were trained to obtain better results. The limitations found are indicated, and future works are identified.
Descrição
Este trabalho foi expressamente elaborado como dissertação original para efeito de obtenção do grau de Mestre Engenharia Civil, sendo apresentada na Universidade de Trás-os-Montes e Alto Douro
Palavras-chave
Reabilitação 4.0 , Anomalias
Citação