Detecção de buracos em vias públicas de Curitiba e região metropolitana usando visão computacional

Abstract

Resumo : Este trabalho explora o uso de visão computacional para a detecção automática de buracos em vias públicas na região de Curitiba, Paraná, empregando a arquitetura YOLO (You Only Look Once). Diferentemente de abordagens que utilizam grandes conjuntos de dados, o estudo concentra-se na ideia de good data, priorizando a qualidade sobre a quantidade. Para isso, foram aplicadas técnicas de aumento de dados (data augmentation), visando melhorar a diversidade e a generalização do modelo. A pesquisa enfatiza estratégias para a obtenção de imagens representativas e bem rotuladas, essenciais para treinar o modelo de forma eficiente e mitigar problemas como overfitting. Os resultados indicam que, mesmo com um conjunto reduzido de imagens, é possível alcançar alta precisão na identificação de buracos, contribuindo para soluções automatizadas de manutenção viária

Abstract : This study explores the use of computer vision for the automatic detection of potholes on public roads in Curitiba, Paraná, employing the YOLO (You Only Look Once) architecture. Unlike approaches that rely on large datasets, this research focuses on the concept of good data, prioritizing quality over quantity. To achieve this, data augmentation techniques were applied to enhance the diversity and generalization of the model. The research emphasizes strategies for obtaining representative and well-labelled images, which are essential for efficient model training and for mitigating problems like overfitting. The results indicate that, even with a reduced set of images, it is possible to achieve high accuracy in pothole identification, contributing to automated road maintenance solutions