dc.creator | Schmidt, Leonardo de Abreu | |
dc.date.accessioned | 2021-09-27T20:04:24Z | |
dc.date.available | 2021-09-27T20:04:24Z | |
dc.date.issued | 2020-03-27 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/22279 | |
dc.description.abstract | Potholes inasphaltpavementsandhighwaysareawell-knownproblem,whichisag-
gravatedbythegrowingdevelopmentofautonomousvehicletechnology.Thistechnology,
therefore, needstoincorporateefficientautomaticpotholedetectionsystems.Infact,there
are differentmethodsforautomaticpotholedetection,however,thesemethodsstillneedtobe
further evaluatedbothintermsoftheiraccuracyandspeedofresponseinordertobeusedin
real contexts.Inordertocontributewithastepinthedirectionofthisevaluation,thiswork
presents theproposalofasolutionforthedetectionofpotholesinimages,beingthedetection
of theexistenceofapotholeandthedeterminationofthesameintheimage,theobjectiveof
this work.Theworkhastwomainparts,thefirstbeinganimageclassificationarchitecture,
which usestheHistogramofOrientedGradients(HOG)techniqueasanextractionofimage
characteristics, andtwoclassifiers;ArtificialNeuralNetworksandSupportVectorMachines.
The objectiveistooptimizeparametersanddeterminethebestclassifierfortheproblem.The
second partpresentsaproposalforarchitecturetodetectpotholesinimages,determiningnot
only theexistencebutalsothelocationofapotholeintheimage.Thistaskusestexturede-
scriptors from Haralick in asystemof grid applied totheimages,addedtotheclassification
architecture ofthefirstpart.Theprocessingtimesofthesearchitectureswerealsoevaluated.
The resultspresentedshowthatarchitectureusingtheArtificialNeuralNetworkclassifieristhe
best optionforpotholedetection,reaching83% IoU (IntersectionofUnion) in additionto73%
accuracyand93%precision.ProcessingtimeisalsofavorabletotheNeuralNetworkclassifier
reaching about9 frames per second(FPS). | eng |
dc.description.sponsorship | Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Redes neurais artificiais | por |
dc.subject | Máquinas de vetores de suporte | por |
dc.subject | Detecçãode buracos | por |
dc.subject | Pavimentação de rodovias | por |
dc.subject | Artificial neural network | eng |
dc.subject | Support vector machine | eng |
dc.subject | VANETs | eng |
dc.title | Automatização do reconhecimento de buracos em rodovias usando inteligência computacional | por |
dc.type | Dissertação | por |
dc.description.resumo | Buracos nopavimentoderuaserodoviassãoumproblemabemconhecido,queéagra-
vadodiantedocrescentedesenvolvimentodatecnologiadeveículosautônomos.Essatecnolo-
gia, portanto,necessitaincorporarsistemaseficientesdedetecçãoautomáticadeburacos.De
fato,existemdiferentesmétodosparaadetecçãoautomáticadeburacos,porém,essesméto-
dos aindaprecisamsermaisprofundamenteavaliadostantoemrelaçãoàsuaprecisãoquanto
à suavelocidadederespostaparaquesejamusadosemcontextosreais.Afimdecontribuir
com umpassonadireçãodessaavaliação,estetrabalhoapresentaapropostadeumasolução
para detecçãodeburacosemimagens,sendooobjetivoadetecçãodaexistênciadeumburaco
e adeterminaçãodomesmonaimagem.Otrabalhoapresentaduaspartesprincipais,sendoa
primeira umaarquiteturadeclassificaçãodasimagens,aqualutilizaatécnicadeHistograma
de GradientesOrientados(HOG)comoextraçãodecaracterísticasdaimagem,edoisclassifica-
dores; RedesNeuraisArtificiais(RNA)eMáquinasdeVetoresdeSuporte(SVM).Oobjetivo
é aotimizaçãodeparâmetroseadeterminaçãodomelhorclassificadorparaoproblema.A
segundaparteapresentaumapropostadearquiteturadedetecçãodeburacosemimagens,de-
terminando nãosóaexistênciamastambémalocalizaçãodeumburaconaimagem.Essatarefa
utiliza descritoresdetexturade Haralick em umsistemade grid aplicado asimagens,somado
a arquiteturadeclassificaçãodaprimeiraparte.Tambémforamavaliadosostemposdeproces-
samento dessasarquiteturas.Osresultadosapresentadosmostramqueaarquiteturausandoo
classificador deRedeNeuralArtificialéamelhoropçãoparadetecçãodeburacos,atingindo
83% de IoU (IntersectionofUnion) além de73%deacuráciae93%deprecisão.Osresultados
sobre ostemposdeprocessamentotambémforamfavoráveisaoclassificadordeRedeNeural
chegandoa9 frames por segundo. | por |
dc.contributor.advisor1 | Pasin, Marcia | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1611789402968312 | por |
dc.contributor.referee1 | Pozzer, Cesar Tadeu | |
dc.contributor.referee2 | Winck, Ana Trindade | |
dc.creator.Lattes | http://lattes.cnpq.br/7874959080973260 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Ciência da Computação | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |