Entrega Final

Introdução

    A detecção precoce de manifestações patológicas em edificações, como as fissuras em fachadas, constitui uma etapa fundamental para a manutenção da segurança estrutural e da durabilidade das construções. Entretanto, os métodos tradicionalmente empregados para essa finalidade atualmente baseiam-se, em grande parte, em inspeções visuais manuais, as quais apresentam limitações significativas em termos de padronização, precisão e reprodutibilidade dos resultados. Além disso, a ausência de registros e históricos compromete o acompanhamento da evolução dessas patologias, dificultando a formulação de diagnósticos e intervenções eficazes.

    Com base nisso, há uma necessidade de soluções tecnológicas que viabilizem a automação e a qualificação dos processos de inspeção predial. O projeto atual, desenvolvido em parceria com o Instituto de Pesquisas Tecnológicas(IPT), propõe a implementação de um sistema inteligente de detecção e análise de fissuras, baseado em técnicas de visão computacional e aprendizagem profunda. A proposta visa mitigar os problemas associados à subjetividade das inspeções manuais, bem como fornecer subsídios técnicos para a tomada de decisões fundamentadas em dados quantitativos e estruturados.

    A solução desenvolvida contempla um fluxo completo, que abrange desde a captura automatizada de imagens por meio de drones, até o processamento e classificação das fissuras por meio de redes neurais convolucionais. Os resultados obtidos demonstram a viabilidade técnica da abordagem e indicam seu potencial de aplicação em ambientes reais, contribuindo para o avanço das práticas de monitoramento de edificações e para a consolidação de estratégias de manutenção preditiva.

    Esta documentação apresenta a fundamentação, o desenvolvimento metodológico, os resultados obtidos e as perspectivas futuras da solução proposta.

O parceiro de projeto: IPT

    Como citado na introdução, o parceiro de projeto é o IPT. O Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT) é uma instituição pública vinculada à Secretaria de Desenvolvimento Econômico do Estado de São Paulo. Com mais de 125 anos de atuação, o IPT é reconhecido por sua excelência em pesquisa aplicada, desenvolvimento tecnológico e prestação de serviços especializados.

    Dentro desse contexto, destaca-se o Laboratório de Materiais para Produtos da Construção (LMPC), que desempenha um papel central neste projeto. O LMPC é responsável por pesquisas e testes de desempenho de materiais utilizados na construção civil e contribui significativamente para a qualidade, segurança e sustentabilidade dos edificios. Com sua parceria para este projeto, é garantido o embasamento técnico necessário para orientar o desenvolvimento da solução e validar seus resultados referente a identificação e classificação de fissuras.

Problema

    O desafio apresentado pelo IPT está relacionado à ausência de soluções automatizadas e precisas para a detecção de fissuras em fachadas de edificações. Atualmente, a maioria das inspeções é realizada de forma visual e manual, o que demanda tempo, depende da experiência dos técnicos e nem sempre garante a confiabilidade dos resultados. Além disso, a falta de registros históricos e acompanhamento da evolução das fissuras compromete a tomada de decisão e a efetividade das intervenções preventivas.

    Esse cenário acarreta diversos problemas para o setor da construção civil, e entre eles:

• Aumento dos custos com manutenção corretiva, já que falhas são identificadas tardiamente;

• Risco à segurança estrutural, devido à ausência de monitoramento contínuo;

• Dificuldade de priorização das intervenções, em função da carência de dados quantitativos e históricos;

• Baixa eficiência no uso de recursos, por falta de sistemas integrados de apoio à decisão.

    Diante disso, o IPT propôs o desenvolvimento de um algoritmo de detecção e análise de fissuras, com apoio de visão computacional e inteligência artificial, visando automatizar o processo, gerar relatórios técnicos com dados estruturados e permitir o monitoramento contínuo da evolução das patologias. A proposta traz um alto potencial de impacto no setor, tanto por aumentar a segurança das edificações, quanto por reduzir custos e melhorar a eficiência operacional.

Solução

  Em vias de resolver o problema descrito acima, criou-se o Sistema de Detecção de Fissuras da SOD. Retomando a introdução dessa documentação:

"Um sistema para a detecção de fissuras em edificações que utiliza técnicas avançadas de processamento de imagens e inteligência artificial para identificar fissuras, permitindo manutenções preventivas e aumentando a segurança das edificações."

  Destrincharemos abaixo o significado desse resumo da solução em três partes:

• Sistema para Detecção de Fissuras;
• Processamento de imagem e IA
• Resultados do Sistema

Sistema para Detecção de Fissuras

  Na primeira sprint do projeto, definiu-se os requisitos funcionais e não funcionais de um sistema que seria capaz de detectar fissuras em edificações. Além disso, concebeu-se a sua arquitetura inicial, a qual foi iterada na sprint 2 - ver Atualizações na Arquitetura. Contemplava-se nessas seções um sistema dividido em três partes: Captura, Processamento e Análise.

  A primeira parte, integrada ao sistema a posteriori, reserva-se ao piloto. À ele, é dada a tarefa de capturar fotos de fissuras por meio de drones como as que se seguem:

Figura 1: Imagens de fissura tiradas por drone

Fonte: Produzida pelos Autores (2025).

  Essas imagens são, então, enviadas para a cloud (servidor no Supabase). Desta forma, o pesquisador no IPT é capaz de recuperá-las para inserí-las no sistema.

  Na sprint 3, conforme a arquitetura final, essa funcionalidade foi adicionada ao sistema. Para tanto, criou-se o SOD App via Android Studio - ver Instruções de como rodar o aplicativo. Esse aplicativo permite ao usuário se conectar de forma segura com um drone da DIJ chamado Tello. Nele, o usuário pode capturar imagens e enviar ao servidor diretamente. Vê-se, portanto, como a captura se integrou ao sistema. Essa parte do sistema foi finalizada nesta sprint.

  Após a captura, dá-se o processamento da imagem. Esse processo acontece, na visão do usuário, em conjunto com a análise. Antes, porém, o pesquisador separa as imagens recebidas manualmente em andar e direção da fachada, como no vídeo a seguir.

Vídeo 1: Separação manual por direção e andar

Fonte: Produzida pelos Autores (2025).

  Então, inicia-se a etapa do processamento. Primeiro, uma inteligência artificial detecta onde estão as fissuras em cada imagem recebida. Essas detecções aparecem como quadrados na figura - exemplos de detecções reais podem ser vistas abaixo.

Figura 2: Detecções reais de fissuras

Fonte: Produzida pelos Autores (2025).

  Por fim, essas imagens são cortadas e enviadas para a classificação. Um exemplo ilustrativo está apresentado no vídeo 2.

Vídeo 2: Detecção de fissuras

Fonte: Produzida pelos Autores (2025).

  Em seguida, cada imagem de fissura passa por um processamento que a padroniza para ser adequamente recebida pela próxima IA. Esse processo foi finalizado na sprint 4.

  Por fim, inicia-se a etapa de análise, responsável pelo auxílio real ao pesquisador. Primeiro, outra inteligência artificial recebe essas imagens. Ela, então, analisa cada uma para decidir:

• É uma fissura de retração;
• ou é uma fissura térmica.

  Essas decisões individuais são condensadas em um relatório conforme template do IPT. Essa etapa foi finalizada na sprint 3 e integrada na última sprint. Um dos relatórios produzidos podem ser acessados via Google Drive, clicando aqui.

Processamento de Imagem e IA

  Para a implementação do sistema de classificação, foram utilizados dois modelos distintos. O ResNet-18 foi empregado como um modelo experimental de classificação, utilizado para testes e comparações iniciais, permitindo avaliar a viabilidade da abordagem proposta. Enquanto, o Swin Transformer V2 foi selecionado como o modelo de classificação implementado em produção, escolhido por sua capacidade de generalização e melhor desempenho na tarefa de classificação de fissuras em diferentes condições de captura.

  Então, para padronizar as entradas do Swin Transformer V2 frente a diversas condições de captura é realizado automaticamente um pré-processamento. Esse pré-processamneto, realizado na etapa geral de processamento é descrito abaixo:

1. Carregamento: Suporte a formatos de imagem comuns (.jpg, .jpeg, .png, .bmp, .tiff).
2. Redimensionamento: Utilização da técnica de Square Padding para preservar as proporções originais das imagens, resultando em um tamanho consistente de 224x224 pixels, evitando distorções.
3. Melhoramento de Contraste: Aplicação do CLAHE com clipLimit=3.0 e tileGridSize=(8,8) no espaço de cor LAB para realçar fissuras sutis.
4. Realce de Bordas: Uso do Sharpening Laplaciano com strength=1.2 para destacar as transições que caracterizam as fissuras.
5. Equalização Seletiva: Aplicação condicional de equalização de histograma no espaço de cor YUV para preservar informações cromáticas.

  Além do modelo de classificação, na etapa de detecção, foi utilizado YOLOv8, empregado para identificar a localização das fissuras nas imagens. Esse modelo é amplamente reconhecido por sua eficiência em tarefas de detecção de objetos.

Resultados do Sistema

  O Sistema de Detecção de Fissuras da SOD foi concebido para fornecer uma solução completa, desde a captura das imagens até a análise final das fissuras, com o objetivo de permitir manutenções preventivas e aumentar a segurança das edificações. Nesse sentido, apresenta-se os resultados obtidos a partir de dois modelos de rede neural convolucional: ResNet18 e Swin Transformer V2. Segue abaixo os dados obtidos de cada modelo:

Métrica - ResNet18	Valor
Acurácia de validação	100%
Loss de validação	0.0211
Acurácia de treinamento	95.31%
Loss de treinamento	0.0928

Métrica - Swin Transformer V2	Valor
Acurácia de validação	96.87%
Loss de validação	0.223
Acurácia de treinamento	97.92%
Loss de treinamento	0.252

  Com base nos resultados apresentados, o sistema demonstra ser uma ferramenta promissora para a manutenção preventiva e o aumento da segurança em edificações, ao automatizar a detecção e análise de fissuras.

Testes

  Este documento apresenta os resultados de uma série de testes de usuário conduzidos com o objetivo de avaliar a usabilidade e a experiência geral de um novo sistema. Os testes foram desenhados para simular cenários de uso reais, abrangendo desde o processo inicial de cadastro e login até tarefas mais complexas, como o upload e organização de imagens para processamento por inteligência artificial, download de relatórios e registro de projetos. Durante as sessões, foram observadas as interações dos participantes com o sistema, registrando-se as dificuldades encontradas, os pontos fortes e as áreas que necessitam de melhoria.

Link para a tabela de testes: Testes

Próximos Passos

  A solução apresentada nessa seção se trata de uma Prova de Conceito (POC). Não obstante, a equipe realizou uma análise financeira que suporta a implementação real do projeto no IPT ou em qualquer outra instituição no mesmo ramo, conforme o Business Model Canva da SOD. Essa análise pode ser encontrada aqui. Adianta-se, porém, que o preço da solução ficou em R$ 481.951,22 para desenvolvimento e implementação, seguido de uma manutenção anual de R$ 166.829,27.

  Ademais, a equipe idealizou próximos passos que podem definir o próximo nível dessa tecnologia:

1. Adaptar o aplicativo para controlar outros drones, além do DIJ Tello;
2. Implementar o processo de auditoria humana, conforme o RF07
3. Conseguir classificar outros tipos de fissura;
4. Implementar uma inteligência artificial para prever a evolução da fissura;

  A realização desses passos permitirá elevar a maturidade tecnológica da solução, aproximando-a de um produto pronto para o mercado. Com a adaptação para outros modelos de drone, amplia-se a aplicabilidade em diferentes contextos operacionais. A implementação de auditoria humana aumentaria a acurácia da solução, enquanto a classificação de diferentes tipos de fissura poderá ampliar o escopo de uso em inspeções diversas. Por fim, o desenvolvimento de uma IA preditiva representará um avanço significativo, permitindo que as instituições atuem de forma preventiva, evitando danos maiores e reduzindo custos operacionais ao longo do tempo.