@PHDTHESIS{ 2025:2022906460,
 	title = {Ensemble de Redes Convolucionais para Inspeção Visual de Estruturas de Concreto Armado},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6651",
 	abstract = "Patologias em estruturas de concreto podem ser evidenciadas visualmente em
 sua superfície, tais como fissuras ou trincas, fragmentação de parte do concreto,
 eflorescência, manchas de corrosão, e barras de aço expostas, sendo estes dois últimos
 ocorrência em concreto armado. Portanto, estas patologias podem ser analisadas a
 partir de imagens de estruturas de concreto armado. Esta tese propõe um ensemble
 de redes convolucionais para inspeção visual de estruturas de concreto armado. Este
 método permite agilizar a tarefa de detecção e aumentar sua eficácia, por meio do
 ganho de tempo nas identificações a serem analisadas, e eliminação, ou redução, de
 erros, como os advindos de falhas humanas mediante execução massiva de tarefas
 tediosas nas análises. A tarefa de identificação de patologia pode ocorrer mediante uso
 de uma rede neural convolucional, caso as imagens estejam recortadas para a patologia
 específica a ser identificada, ou, com uso de rede de detecção, caso seja uma imagem
 ampla onde a patologia está inserida em um contexto com diversas classes de patologia,
 e mesmo área sem patologia. Outra tarefa que possibilita a identificação e a análise
 destas patologias é a segmentação. O método foi testado nas tarefas de detecção e
 classificação. As arquiteturas de rede neural utilizadas para detecção foram a YOLO v11
 e a TOOD (Task-aligned One-stage Object Detection), na abordagem de redes neurais
 de um estágio, e a Faster R-CNN, na abordagem de redes neurais de dois estágios.
 As três redes foram posteriormente combinadas para a aplicação do Ensemble, sendo
 utilizada Weighted Box Fusion. Já no caso da tarefa de classificação, as arquiteturas
 de redes utilizadas foram DenseNet121, ResNet50 e MobileNeV3. Realizou-se uma
 pesquisa para identificar e selecionar conjuntos de dados adequados ao método
 proposto. O dataset selecionado para classificação é o Ozgnel e o de detecção é o
 CODEBRIM. A tarefa de detecção consiste em localizar um artefato e classificá-lo.
 Embora esta abordagem seja eficiente, a pesquisa testou a detecção para a localização
 de patologias, sem definir inicialmente a qual classe pertencem, e, posteriormente,
 usar uma rede neural específica de classificação para definir os tipos de patologias e,
 sobretudo, permitir a eliminação de falsos positivos. A abordagem de combinar rede
 de detecção e rede dedicada de classificação proporcionou o resultado pretendido,
 potencializado por Ensemble, que aumentou a sensibilidade na fase de detecção e
 elevou o número de artefatos localizados. Essa abordagem permite identificar falsos
 positivos na primeira fase, mas esses são eliminados na última fase.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO DOUTORADO EM CIÊNCIA DA COMPUTAÇÃO},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}