Linha de pesquisa: Inteligência Artificial

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 300 épocas, com critério de parada baseado na métrica F1. Os resultados experimentais mostram que a U-Net obteve os melhores desempenhos nas métricas avaliadas, enquanto a ENet apresentou uma velocidade de inferência aproximadamente 15 vezes maior. A S-ENet aumentou a eficiência, sendo 1,5 vezes mais rápida 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.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fl%2F...