Publicação: Segmentação de fissuras em dormentes de concreto protendido usando processamento de imagens e deep learning
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Couto, Leandro Nogueira
Resumo
A segmentação de fissuras em dormentes ferroviários é essencial para garantir a segurança e a confiabilidade das vias. Esta dissertação propõe uma metodologia completa, que abrange desde a coleta das imagens, passando pelas etapas de pré-processamento, segmentação e pós-processamento, até a disponibilização dos resultados em uma aplicação web com mapas e dashboards interativos. Foram avaliadas diferentes arquiteturas de redes neurais profundas para segmentação de fissuras finas em imagens de dormentes, incluindo U-Net, ENet, SegNet e uma versão modificada da ENet, S-ENet, proposta neste trabalho. Os modelos foram treinados utilizando a função de perda Binary Cross-Entropy (BCE) por 150 épocas, com critério de parada baseado na métrica F1. Os resultados experimentais mostram que a U-Net obteve os melhores desempenhos nas métricas avaliadas: 0.704 (F1), 0.7 (R), 0.743 (P) e 0.8 (B-F1), enquanto a ENet apresentou uma velocidade de inferência aproximadamente 15 vezes maior: 0.134 segundos contra 1.96 segundos da U-Net. A S-ENet aumentou a eficiência, sendo 1,5 vezes mais rápida (0.093 segundos) que a ENet original, mantendo qualidade competitiva na segmentação. Embora existam diferenças numéricas nas métricas de avaliação, os resultados visuais mostram-se comparáveis. Essas investigações destacam o equilíbrio necessário entre precisão e eficiência computacional, evidenciando o potencial de arquiteturas leves para segmentação de fissuras em dormentes em tempo real.
Abstract
Crack segmentation in railway sleepers is crucial for ensuring railway safety and reliability. This dissertation proposes a complete methodology, covering the entire pipeline: from image acquisition, through pre-processing, segmentation, and post-processing, to presenting the results in a web application with interactive maps and dashboards. The study explores different deep learning-based segmentation architectures for segmenting thin cracks in sleeper images, comparing U-Net, ENet, SegNet, and a proposed modified ENet, S-ENet. The models were trained using Binary Cross-Entropy (BCE) loss over 150 epochs with an early stopping criterion based on the F1 score. Experimental results show that U-Net achieves the highest performance across evaluation metrics: 0.704 (F1), 0.7 (R), 0.743 (P) e 0.8 (B-F1), while ENet delivers approximately 15× faster inference speed: 0.134 seconds versus 1.96 seconds of U-Net. The S-ENet improves efficiency by being 1.5× faster (0.093 seconds) than the original ENet, while maintaining competitive segmentation quality. Despite slight numerical differences in evaluation metrics, visual results remain comparable. These findings highlight the trade-off between accuracy and computational efficiency, emphasizing the potential of lightweight architectures for real-time sleeper crack segmentation.
Palavras-chave
Segmentação Binária, Dormentes, Fissuras, Aprendizado de máquina, Deep learning, Binary segmentation, Sleepers, Cracks, Machine Learning, Computação
Citação
SPOLTI, Amanda Costa. Segmentação de fissuras em dormentes de concreto protendido usando processamento de imagens e deep learning. 2025. 66 f. Dissertação (Mestrado em Ciências da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.di.2025.334