Título: Aprendizado de Máquina para Avaliação de Danos em Construções Históricas Utilizando Visão Computacional
Autores: Lavínia Souza Ferreira, André Luiz Carvalho Ottoni
Resumo: A preservação do patrimônio histórico é um desafio crucial, exigindo métodos modernos para a identificação e monitoramento de danos em edificações antigas. O uso de inteligência artificial, especialmente Deep Learning , tem se mostrado uma abordagem promissora para aprimorar a precisão e a eficiência desse processo. No entanto, um dos principais desafios é desenvolver modelos de classificação de danos robustos e confiáveis, considerando a influência de diferentes hiperp arâmetros. Este trabalho tem c omo objetivo avaliar manifestações patológicas em portas e janelas de edifícios históricos utilizando técnicas de Deep Learning , analisando o impacto de hiperparâmetros na performance da classificação. A metodologia envolveu a criação e rotulagem de um banco de imagens em quatro categorias: portas com danos, portas sem danos, janelas com danos e janelas sem danos. Foram testadas diferentes arquiteturas de redes neurais, variações na taxa de aprendizado e o uso de Data Augmentation para melhorar a generalização do modelo. Os resultados indicaram que os ajuste da taxa de aprendizado e a aplicação de Data Augmentation obtiveram resultados significativos de acurácia, sendo 67% para portas e 80,0% para janelas. Já com relação à variação das arquiteturas neurais, i nicialmente, foi utilizada a arquitetura MobileNetV2 96×96 0,35 . Nas etapas subsequentes, outras arquiteturas foram selecionadas para comparação como MobileNetV1 96×96 0,1, MobileNetV2 160×160 0,35 e EfficientNet B0. Ao final dos testes, a MobileNetV2 96×96 0,35 trouxe melhores resultados para a classe de portas enquanto para a classe de janelas, a MobileNetV2 160×160 0 ,35 se destacou. Nos testes práticos, utilizando as melhores combinações entre os três hiperparâmetros, os resultados obtidos foram os seguintes: para portas com danos, a acurácia foi de 80,0%; para port as sem danos, foi alcançada uma acurácia de 100%. Em relaçãoàs janelas com danos, obteve-se uma acurácia de 100%, e, por fim, para janelas sem danos, a acurácia foi de 87,5%.
Palavras-chave: Deep learning; Damage classification; Historical heritage; Artificial Neural Networks; Computer vision.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1144817
Artigo em PDF: CBIC_2025_paper1144817.pdf
Arquivo BibTeX:
CBIC_2025_1144817.bib