Aplicação de Aprendizado Profundo na Classificação de Imagens de Patologias da Construção Civil: Análise de Data Augmentation para Bancos de Dados Desbalanceados

O desafio das inspeções inteligentes na construção civil tem como referência a discriminação de imagens baseada em reconhecimento de padrões. Nesse cenário, a identificação e executada por arquiteturas de aprendizado profundo como as Redes Neurais Convolucionais, através de um grande conjunto de imagens. No entanto, a captura tradicional de fotografias em alta proporção e lenta, custosa e acompanhada de erros humanos, portanto inviável em parte das aplicações. Nesse sentido, o presente trabalho tem como objetivo realizar a classificação de rachaduras em bancos desbalanceados, através de técnicas de data augmentation (DA). A metodologia adotada propõe a geração de imagens artificiais a partir de transformações de imagens. Em seguida, são analisados os experimentos de validação, treinamento e testes no software Edge Impulse. Após os experimentos baseados nas métricas de acurácia, F1-score, precisão e recall, os resultados avaliaram que os bancos compostos por balanceamento atingiram os melhores índices de classificação, em comparação ao banco desbalanceado. Além disso, a transformação Correção Gamma se destacou com o maior percentual de acertos para rachaduras de 97,90%, tendo também sua acurácia em 96,17%. Ante o exposto, a contribuição do presente trabalho compõe o aperfeiçoamento da pesquisa em balanceamento por DA aplicado a classificação de imagens de rachaduras.