Document details

In riskareas,especiallythosecausedbyfrequentseismicmovements,itisnecessarytomonitor eventssuchaschangesinthesizeofcracksinbuildingsandotherurbanstructures.This process, especiallyinregionswithoutadequateinfrastructure,iscarriedoutthroughempirical observationsmadebytheoccupantsoftheseareasthemselves.Thisactivity,byitsverynature, results ininaccurateandoutdateddatacollection,giventhetimelapsebetweencollectionand measurement ofchanges,whichshouldbedonebyaspecialist.Inthispaper,wepropose algorithms basedoncomputervision,toautomatethisprocessbyemployingDeepLearning techniques. Thus,itispossibleforthecomputertodetectcracksandproperlymeasurecracksin images senttoresponsibleagenciesbyresidents,providingagilityindetectingpotentialrisks to people’sphysicalintegrity,whileprovidingexpertswithaccuratedataforactioneffective preventive.Wewilluseasthesituationexperiencedbyresidentsofsomeneighborhoodsinthe city ofMaceió,stateofAlagoas,Brazil,whererulersarecurrentlyemployedtoidentifythe advanceorindentationsofcracksinrealestate,whicharephotographeddailyandtheimages sent tosecurityagencies.Inthepresentworkwepresentaprocessdividedintothreesteps:The first istheidentificationofpointsofinterestintheruler,suchasdigits,usingtheYOLO,adeep neural networkarchitecture,thenwepresentanalgorithmtofilterthecorrectdigitsandfinallyto identify thecrackanditswidthbyapplyingimageprocessingalgorithmandcameracalibration. Thus, aftertheexperiments,wewereabletoachieve75,65%accuracywhenusingthedarktext implementation with31convolutionallayers.Therefore,thiswork,besidesbeinglifesaving,is also alowcosttoolforstructuralinspection. Keywords:

Em áreas de risco, principalmente naquelas ocasionadas por movimentações sísmicas frequentes, faz-se necessário o monitoramento de eventos como alterações nas dimensões de rachaduras em imóveis e demais estruturas urbanas. Esse processo, principalmente em regiões sem infraestrutura adequada, é realizado por meio de observações empíricas realizadas pelos próprios ocupantes dessas áreas. Essa atividade, pela sua própria natureza, resulta na coleta imprecisa e desatualizada de dados, haja vista o lapso temporal entre a coleta e a mensuração das alterações, que deve ser feita por um especialista. Neste trabalho, propomos algoritmos, baseados em visão computacional, para automatizar esse processo por meio do emprego de técnicas de Aprendizagem Profunda. Assim, é possível ao computador fazer a detecção de rachaduras e a devida mensuração destas nas imagens enviadas aos órgãos responsáveis pelos residentes, dando agilidade na detecção de potenciais riscos à integridade física das pessoas, e, ao mesmo tempo, fornecendo aos especialistas dados precisos para uma ação preventiva eficaz. Usaremos como corpus a situação vivenciada pelos moradores de alguns bairros na cidade de Maceió, estado de Alagoas, no Brasil, onde são empregadas atualmente réguas para identificar o avanço ou recuo de rachaduras nos imóveis, fotografadas diariamente e cujas imagens são enviadas aos órgãos de segurança. No presente trabalho, apresentamos um processo dividido em três etapas. A primeira é a identificação de pontos de interesse na régua, como dígitos, usando a arquitetura da rede neural profunda YOLO. Em seguida, apresentamos um algoritmo para filtrar os dígitos corretos e, finalmente, identificamos a rachadura e sua largura, aplicando um algoritmo de processamento de imagens e calibração de câmera. Assim, após os experimentos, conseguimos obter uma precisão de 75,65% quando usamos a implementação Darknet com 31 camadas convolucionais. Portanto, este trabalho, além de poder salvar vidas, é também uma ferramenta de baixo custo para inspeção de estruturas.