Identificação de anomalias em edifícios industriais com base em técnicas de inteligência artificial e imagens obtidas com veículos aéreos não tripulados.

Abstract

O monitoramento e a inspeção das estruturas garantem segurança aos usuários e representam, muitas vezes, economia para os órgãos fiscalizadores, que assim podem programar manutenções corretivas. O desenvolvimento de novas tecnologias tem possibilitado a realização de inspeções de maneira mais objetiva e menos arriscada para os operadores envolvidos. A detecção de anomalias visíveis pode ser realizada com o auxílio de algoritmos de inteligência artificial (IA) aplicados a imagens, dos quais destaca-se a Mask R-CNN (Mask Region based Convolutional Neural Network), desenvolvido em 2018 e que constitui o algoritmo mais atualizado para a segmentação por instâncias. Conjuntamente com os Veículos Aéreos Não Tripulados (VANTs), a Mask R-CNN se torna uma ferramenta poderosa, podendo, assim, acessar as regiões mais remotas de uma estrutura e fornecer resultados confiáveis. Neste contexto, o presente trabalho se propôs a desenvolver uma aplicação baseada na Mask R-CNN, buscando o melhor ajuste entre os seus hiperparâmentros, para a identificação de corrosões em galpões industriais construídos com painéis sanduíche. O algoritmo para o desenvolvimento da ferramenta foi elaborado com a linguagem de programação Python, utilizando a biblioteca Detectron2. Bancos de dados rotulados são extremamente raros e de difícil construção, para solucionar este problema, no âmbito deste trabalho, coletaram-se imagens com o VANT DJI Mavic Enterprise Advanced que foram rotulados com o VGG Image Annotator (VIA), formando um inédito dataset com 8400 imagens de corrosões em painéis sanduíches em alta resolução, que foi dividido em treino, validação e teste. A avaliação desta solução deu-se pela utilização de métricas consolidadas na IA, como a precisão, o recall e a precisão média. Como resultado, obteve-se uma ferramenta capaz de otimizar as operações de inspeção em grandes edifícios industriais, identificando corrosões com precisão e recall de 83 e 85%, respectivamente, e precisão média de 65% com Intersection Over Union de 50% para a detecção.