A carregar...
Publicação
Deteção de degradações de pavimentos rodoviários com recurso à técnica YOLO (You Only Look Once)
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.79 MB | Adobe PDF |
Resumo(s)
A degradação da superfície dos pavimentos rodoviários resulta da ação conjunta de fatores como a intensidade do tráfego, as condições climáticas e eventuais deficiências construtivas. Com o tempo, diferentes tipos de anomalias manifestam-se à superfície dos pavimentos, comprometendo o conforto de circulação e a segurança dos utentes, além de poderem originar danos estruturais significativos. O objetivo central deste trabalho consistiu em desenvolver e avaliar uma metodologia baseada em deep learning para a deteção automática de degradações superficiais em pavimentos rodoviários. Para tal, foi utilizada a arquitetura YOLO (You Only Look Once), testada em diferentes versões e ambientes de execução, nomeadamente no Roboflow e no YOLOv8 local, com e sem aumento da base de dados. Foram analisadas imagens reais de um troço rodoviário em Portugal, permitindo avaliar o desempenho dos modelos em diferentes cenários de treino. Os resultados demonstraram que, mesmo com uma base de dados limitada relativa a um troço reduzido, foi possível alcançar níveis consistentes de precisão, recall e mAP, comprovando a viabilidade da aplicação destas técnicas ao contexto rodoviário. Verificou-se que o Roboflow apresentou maior facilidade de utilização e tempos de execução mais reduzidos, enquanto o YOLO local se destacou pela flexibilidade e potencial de personalização. Conclui-se que a integração desta abordagem em sistemas de gestão de pavimentos pode reduzir significativamente o tempo necessário para a avaliação da sua condição, possibilitando estratégias de conservação mais preventivas e eficazes. Além disso, abre caminho para futuros desenvolvimentos que explorem bases de dados mais extensas, técnicas avançadas de aumento de dados e a adaptação a diferentes condições ambientais, contribuindo para a prolongação da vida útil das infraestruturas viárias.
The deterioration of road pavement surfaces results from the combined action of factors such as traffic intensity, weather conditions, and possible construction deficiencies. Over time, different types of distresses appear on the pavement surface, compromising driving comfort and user safety, in addition to causing significant structural damage. The main objective of this work was to develop and evaluate a deep learning-based methodology for the automatic detection of surface distresses in road pavements. To this end, the YOLO (You Only Look Once) architecture was used, tested in different versions and execution environments, namely in Roboflow and local YOLOv8, with and without database augmentation. Real images of a road section in Portugal were analysed, allowing the performance of the models to be evaluated in different training scenarios. The results showed that, even with a limited database relating to a small section, it was possible to achieve consistent levels of accuracy, recall and mAP, proving the feasibility of applying these techniques to the road context. Roboflow proved to be easier to use and had shorter execution times, while local YOLO stood out for its flexibility and customisation potential. It can be concluded that integrating this approach into pavement management systems can significantly reduce the time needed to assess pavement conditions, enabling more preventive and effective maintenance strategies. Furthermore, it paves the way for future developments that explore more extensive databases, advanced data augmentation techniques, and adaptation to different environmental conditions, contributing to the extension of the service life of road infrastructure.
The deterioration of road pavement surfaces results from the combined action of factors such as traffic intensity, weather conditions, and possible construction deficiencies. Over time, different types of distresses appear on the pavement surface, compromising driving comfort and user safety, in addition to causing significant structural damage. The main objective of this work was to develop and evaluate a deep learning-based methodology for the automatic detection of surface distresses in road pavements. To this end, the YOLO (You Only Look Once) architecture was used, tested in different versions and execution environments, namely in Roboflow and local YOLOv8, with and without database augmentation. Real images of a road section in Portugal were analysed, allowing the performance of the models to be evaluated in different training scenarios. The results showed that, even with a limited database relating to a small section, it was possible to achieve consistent levels of accuracy, recall and mAP, proving the feasibility of applying these techniques to the road context. Roboflow proved to be easier to use and had shorter execution times, while local YOLO stood out for its flexibility and customisation potential. It can be concluded that integrating this approach into pavement management systems can significantly reduce the time needed to assess pavement conditions, enabling more preventive and effective maintenance strategies. Furthermore, it paves the way for future developments that explore more extensive databases, advanced data augmentation techniques, and adaptation to different environmental conditions, contributing to the extension of the service life of road infrastructure.
Descrição
Palavras-chave
Deep Learning Degradações Superficiais de Pavimentos Rodoviários Detecção
Automática Yolo