Detecção de anomalias em veículos ferroviários através de visão computacional (2023)
- Authors:
- Autor USP: PEREIRA, VICTOR HENRIQUE MENDES - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; APRENDIZAGEM PROFUNDA; VISÃO COMPUTACIONAL; FERROVIAS; VAGÕES
- Keywords: Detecção de defeitos; Yolo; Material rodante; Manutenção
- Language: Português
- Abstract: A identificação visual de defeitos ou desvios de qualidade em equipamentos e produtos é um tema amplamente estudado na industria e da mesma forma nas ferrovias. Esta identificação de defeitos que geralmente é realizada por pessoas além de demandar altos recursos financeiros, exige muita atenção, sendo também muito complexo padronizar os critérios entre as pessoas. No Brasil as ferrovias transportaram em 2021 21,5% de todo o volume de cargas incluindo os demais modais. A qualidade dos ativos ferroviários pode afetar tanto a produtividade das ferrovias quanto a segurança ferroviária. No período de 2006 a 2023 houveram em média mais de hum mil acidentes por ano nas ferrovias Brasileiras, sendo 14,68% causados por falhas no material rodante. Com o objetivo de realizar a detecção automática de defeitos em material rodante de trens em movimento, este trabalho aborda a utilização de técnicas de detecção de objetos existentes em modelos estado da arte de aprendizado profundo. Foram capturados vídeos reais da parte inferior dos vagões que trafegam na maior ferrovia de carga do Brasil e posteriormente feito a rotulagem das imagens dos rodeiros e do detector de descarrilamento de vagão (DDV). Foram comparadas características das principais redes de aprendizado profundo quanto a precisão mAP e velocidade FPS, tendo sido escolhido para o estudo de caso o modelo YOLOV8 que até o início de 2023 era considerado o modelo estado da arte para detecção de objetos. A rede YOLOV8 foi treinada no banco de dados criado, tendo atingido uma acurácia mAP50-95 de 59,1% e uma velocidade de 88FPS durante a inferência no ambiente Google Colab e uma velocidade de 30FPS durante a inferência com o algoritmo DeepStream utilizando um dispositivo Jetson AGX Orin. Foi implementando também no ambiente Google Colab através do algoritmo DeepSort o rastreamento e identificação dos objetos, além de ter sido implantado contadores que identificam quantos objetoscruzaram a linha de referência definida no vídeo.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
-
ABNT
PEREIRA, Victor Henrique Mendes. Detecção de anomalias em veículos ferroviários através de visão computacional. 2023. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/d055aa04-5d0d-4493-abc3-b37fb3a4ed30/Victor%20Henrique%20Mendes%20Pereira.pdf. Acesso em: 27 mar. 2025. -
APA
Pereira, V. H. M. (2023). Detecção de anomalias em veículos ferroviários através de visão computacional (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/d055aa04-5d0d-4493-abc3-b37fb3a4ed30/Victor%20Henrique%20Mendes%20Pereira.pdf -
NLM
Pereira VHM. Detecção de anomalias em veículos ferroviários através de visão computacional [Internet]. 2023 ;[citado 2025 mar. 27 ] Available from: https://bdta.abcd.usp.br/directbitstream/d055aa04-5d0d-4493-abc3-b37fb3a4ed30/Victor%20Henrique%20Mendes%20Pereira.pdf -
Vancouver
Pereira VHM. Detecção de anomalias em veículos ferroviários através de visão computacional [Internet]. 2023 ;[citado 2025 mar. 27 ] Available from: https://bdta.abcd.usp.br/directbitstream/d055aa04-5d0d-4493-abc3-b37fb3a4ed30/Victor%20Henrique%20Mendes%20Pereira.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Victor Henrique Mendes Pe... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
