Inteligência artificial explicável para detecção de fissuras em concreto armado : uma abordagem pós-hoc combinando técnicas de XAI em eedes neurais convolucionais
Este trabalho propõe uma abordagem inovadora para aumentar a interpretabilidade de redes neurais convolucionais (CNNs) na tarefa de detecção de fissuras em estruturas de concreto, integrando algoritmos de explicabilidade baseados em visualização, como o Grad-CAM, com técnicas de segmentação não supe...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Estado: | Versão publicada |
| Data de publicação: | 2025 |
| País: | Brasil |
| Recursos: | Universidade Federal de Pernambuco (UFPE) |
| Repositório: | Repositório Institucional da UFPE |
| Idioma: | português |
| OAI Identifier: | oai:repositorio.ufpe.br:123456789/64857 |
| Acesso em linha: | https://repositorio.ufpe.br/handle/123456789/64857 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Redes Neurais Convolucionais (CNN) Inteligência Artificial Explicável (XAI) Engenharia civil assistida por inteligência artificial |
| Resumo: | Este trabalho propõe uma abordagem inovadora para aumentar a interpretabilidade de redes neurais convolucionais (CNNs) na tarefa de detecção de fissuras em estruturas de concreto, integrando algoritmos de explicabilidade baseados em visualização, como o Grad-CAM, com técnicas de segmentação não supervisionada, a exemplo do algoritmo K-means. A metodo- logia emprega aprendizado por transferência com arquiteturas consagradas (VGG16, VGG19 e ResNet) alcançando acurácia superior a 99% nos conjuntos de treinamento e teste. Foram avaliadas estratégias de explicabilidade fundamentadas tanto em perturbação do espaço de entrada quanto nos pesos internos das camadas convolucionais. Os resultados indicam que a combinação entre Grad-CAM e K-means aprimora não apenas a acurácia na detecção de fis- suras, mas também a transparência do processo decisório, aspecto crítico para aplicações reais em monitoramento estrutural. Para mensurar objetivamente o grau de explicabilidade dos mo- delos, foi proposta uma nova métrica baseada na sobreposição entre as máscaras geradas pelos mapas de ativação das técnicas de explicabilidade e os segmentos resultantes da clusterização, permitindo avaliar a coerência espacial entre as regiões de interesse destacadas pelo modelo e as áreas efetivamente associadas às fissuras. Embora o desempenho da segmentação tenha sido majoritariamente satisfatório, foram identificadas limitações em imagens com alta com- plexidade visual. A seleção automatizada de camadas mais relevantes para análise foi validada por especialistas em engenharia civil, reforçando a viabilidade prática da proposta. Ressalta-se o ineditismo da abordagem com foco explícito em explicabilidade no contexto da classificação de fissuras em concreto, com código-fonte disponibilizado abertamente no GitHub. Como des- dobramento natural, recomenda-se a investigação de técnicas de segmentação mais robustas e a ampliação do conjunto de dados para abranger maior diversidade de padrões fissurais. |
|---|