Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/56725
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorFreitas, Gabriel Tavares de Melo-
dc.contributor.authorNobre Júnior, Ernesto Ferreira-
dc.date.accessioned2021-02-24T13:22:09Z-
dc.date.available2021-02-24T13:22:09Z-
dc.date.issued2020-
dc.identifier.citationFREITAS, Gabriel Tavares de Melo ; NOBRE JÚNIOR, Ernesto Ferreira. Identificação de patologias em pavimentos rodoviários utilizando inteligência artificial. In: CONGRESSO DE PESQUISA E ENSINO EM TRANSPORTES. 34º., 100% Digital, 16 a 21 nov. 2020. Anais [...], [s.l]: Editora: Associação Nacional de Pesquisa e Ensino em Transportes, 2020. p.831-834.pt_BR
dc.identifier.isbn978-65-89319-00-9-
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/56725-
dc.description.abstractIn this work, we intend to implement an algorithm for detecting pathologies on the road pavement. For this, the image collection process, training of the Deep Learning algorithm and, finally, classification were carried out. For the classification, in this object of study, two classes were used: holes and patches. In the result, an accuracy of 97% was obtained for holes and 92% for patches. In addition, a detection algorithm validation software was developed.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectPavimentos - Defeitospt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectAlgorítmos computacionaispt_BR
dc.subjectAprendizado profundopt_BR
dc.subjectAlgoritmospt_BR
dc.subjectTomada de Decisõespt_BR
dc.titleIdentificação de patologias em pavimentos rodoviários utilizando inteligência artificial.pt_BR
dc.typeArtigo de Eventopt_BR
dc.description.abstract-ptbrNeste trabalho, pretende-se realizar a implementação de um algoritmo de detecção de patologias no pavimento rodoviário. Para isso, foi realizado o processo de coleta de imagens, treinamento do algoritmo de Deep Learning e, por fim, a classificação. Para a classificação, foi utilizado neste objeto de estudo, duas classes: buracos e remendos. No resultado, foi obtido uma acurácia de 97% para buracos e 92% para remendos. Além disso, foi desenvolvido um software de validação do algoritmo de detecção.pt_BR
Aparece nas coleções:DET - Trabalhos apresentados em eventos

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2020_eve_gtdemfreitas.pdf938,18 kBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.