Classificação de Fissuras com Visão Computacional
Objetivo Geral
O objetivo deste projeto foi desenvolver uma solução baseada em visão computacional para identificar, localizar e classificar fissuras em fachadas. O foco foi construir um sistema modular e escalável, com possibilidade de integração a drones para inspeções automatizadas em edificações. Durante o desenvolvimento, percorremos etapas de pesquisa, testes e implementação, buscando um modelo funcional e adequado às necessidades do setor da construção civil.
Estratégia Técnica
A arquitetura do sistema foi organizada em uma pipeline de três etapas, com modelos independentes para segmentação, detecção e classificação de fissuras. Essa divisão permitiu ajustes mais específicos em cada componente, facilitando diagnósticos e modificações conforme necessário. Além disso, a modularidade também favoreceu a adaptação do sistema a mudanças futuras, como substituição de modelos ou ajustes de parâmetros.
As etapas foram estruturadas da seguinte forma:
-
Segmentação de Fissuras – YOLOv8m-Cracks
Geração de máscaras para delimitar áreas com fissuras nas imagens. -
Detecção de Fissuras – YOLOv8m
Localização das fissuras nas regiões segmentadas por meio de bounding boxes. -
Classificação das Fissuras – YOLOv8m-cls
Classificação das fissuras detectadas nos tipos: retratação e térmica.
Desenvolvimento e Aprendizados
1. Segmentação
O modelo de segmentação foi treinado com um dataset público da plataforma Roboflow, utilizado após a perda das anotações manuais feitas via MakeSense.ai. Apesar de que as imagens não representassem completamente o contexto específico do projeto, o modelo foi capaz de identificar fissuras com consistência visual. É importante mencionar que um desafio encontrado foi a superposição de máscaras, o que impactou a etapa de detecção. Além disso, a falta de dados próprios dificultou uma maior generalização, reforçando a importância da curadoria de dados.
2. Detecção
A etapa de detecção obteve resultados razoáveis, mesmo com inconsistências na segmentação. O modelo conseguiu localizar as fissuras com boa precisão, demonstrando que a separação da tarefa em etapas contribuiu para o desempenho geral.
3. Classificação
A etapa final apresentou métricas estáveis de acurácia. O modelo feito foi capaz de distinguir os dois tipos de fissuras definidos no escopo do projeto, e a divisão do pipeline em tarefas específicas contribuiu para distribuir a complexidade entre modelos distintos.
Processos de Otimização
Nosso grupo utilizou o Grid Search como técnica para ajuste de hiperparâmetros em cada etapa, esse processo permitiu testar combinações e selecionar aquelas com melhor desempenho nos conjuntos de validação. Alḿ disso, a documentação da Ultralytics foi utilizada como referência para aprofundar o uso da arquitetura YOLOv8.
Considerações Finais
O projeto evidenciou a viabilidade de uma abordagem modular para o diagnóstico automatizado de fissuras em fachadas. Apesar de limitações como a perda de dados anotados e a ausência de imagens realistas, foi possível construir uma pipeline funcional, com desempenho consistente e possibilidade de aprimoramento. O modelo está preparado para futuras integrações com drones e interfaces web.