Reconhecimento de padrões de defeitos

em concreto a partir de imagens térmicas

estacionárias e redes neurais artificiais.

Mestrando Roberto Pettres

Orientador D.Sc. Luiz Alkimin de Lacerda
Coorientadora D.Sc. Andréa Sell Dyminski
Motivação
Problema

Estruturas de concreto podem apresentar imperfeições em

seu interior como microfissuras e espaços vazios resultantes do
processo construtivo (METHA & MONTEIRO, 2008).
Termografia

Figura 1 – Termogramas

A Termografia é uma técnica que utiliza o espectro

Infravermelho naturalmente emitido por qualquer corpo, com
intensidade proporcional a sua temperatura.
Termografia

Figura 2 – Termograma (imagem ilustrativa)

Segundo Malhotra e Carino (2004), utilizando a termografia

para analisar a temperatura superficial de uma estrutura de
concreto, é possível identificar a presença e localização de
eventuais anomalias subsuperficiais.
Objetivo Geral

Desenvolver uma ferramenta computacional para identificação

de anomalias no interior de estruturas de concreto através de
diagnóstico termográfico.
Objetivos Específicos

Estudar o fenômeno de transferência de calor e realizar

modelagens computacionais com o software Ansys para a
geração de dados sintéticos e validação do modelo de
análise implementado.

Realizar a modelagem matemática para o método

computacional de análise das imagens termográficas a partir
de redes neurais artificiais.

Simular a presença de defeitos como agrupamento de

agregados no interior da estrutura de concreto e determinar
sua localização utilizando as técnicas de termografia e redes
neurais artificiais.
Trabalhos relacionados

• CHIANG et al. (2006) aplicou o método de diferenças finitas e

elementos finitos na análise computacional de um problema térmico
de uma parede de concreto e comparou com resultados
experimentais de termografia infravermelho na inspeção de defeitos
na estrutura.

• ELBALLOUTI e BELATTAR (2008) verificaram a influência das

condições geométricas do defeito interno à uma barragem de
concreto identificando as perturbações térmica causada pela
anomalia.

• KOAY (2004) utilizou redes neurais artificiais para diagnosticar a

ocorrência de câncer em pacientes a partir de imagens
termográficas.

• FLÓRIO FILHO (2006) desenvolveu um modelo para detecção

automática do aquecimento em componentes de um sistema
industrial, baseando-se em técnicas de reconhecimento de padrões,
termografia e redes neurais artificiais.
Etapas do trabalho

1ª Estudo sobre a transferência de calor no concreto e definição do

modelo numérico

2ª Estudo sobre a distribuição superficial de temperatura no concreto

(geração das imagens sintéticas em ANSYS®)

3ª Estudo e desenvolvimento de algoritmos para o processamento e

análise das imagens térmicas

4ª Estudo sobre topologias neurais para o problema de reconhecimento

de padrões e desenvolvimento da ferramenta computacional (Redes
Neurais Artificiais em Matlab®)

5ª Teste da ferramenta computacional com modelos sintéticos

irregulares e experimentais
1ª Etapa

Estudo sobre a transferência de calor no concreto

e definição do modelo numérico

 1ª Etapa

Modelo analisado

Parâmetros:
Bloco
L = 0,50 m
Defeito
F = largura
H = altura
Figura 3 - Geometria do problema. P = espessura
Fonte – (INÁCIO et al., 2009). D = profundidade

Os valores atribuídos aos parâmetros D, H, F e P variaram entre 0.05, 0.10,

0.15 e 0.20 metros, totalizando 256 combinações.
 1ª Etapa

Modelo matemático

  T    T    T 
 ks   k s    ks = 0
x  x  y  y  z  z 
Equação 1 – Equação de condução de calor de Fourier em regime estacionário.

Figura 4 - Condições de contorno.

Fonte – (INÁCIO et al., 2009).
 1ª Etapa

De acordo com Inácio et al. (2009):

1ª Região de menor temperatura coincide com a projeção do
defeito à superfície.
0 ,2 9

Ө (Temperatura adimensional)
0 ,2 8

F*=0.1
F*=0.2
F*=0.3
F*=0.4
0 ,2 7
0 ,5 0 ,6 0 ,7 0 ,8 0 ,9 1
x*
Figura 5 – Influência da largura F no perfil de temperatura em x para y = 0,5 m (F*=0.1, F=0,05 m).
Fonte – (INÁCIO et al., 2009).

2ª Variação térmica significativa em função do parâmetro F

(largura do defeito) na análise do perfil de temperaturas.
 1ª Etapa

3ª Variação térmica significativa em função do parâmetro H

(altura do defeito) na análise do perfil de temperaturas.
0 ,2 9

Ө (Temperatura adimensional)
0 ,2 8

H*=0.1
H*=0.2
H*=0.3
H*=0.4
0 ,2 7
0 ,5 0 ,6 0 ,7 0 ,8 0 ,9 1
x*

Figura 6 – Influência da altura H no perfil de temperatura em x para y = 0,5 m (D*0.1, D=0,05 m).
Fonte – (INÁCIO et al., 2009).
 1ª Etapa

4ª Baixa significância da variação térmica em função do

parâmetro P (espessura do defeito) na análise do perfil de
temperaturas.
0 ,2 9

Ө (Temperatura adimensional)
0 ,2 8

P*=0.1
P*=0.2
P*=0.3
P*=0.4
0 ,2 7
0 ,5 0 ,6 0 ,7 0 ,8 0 ,9 1
x*
Figura 7 – Influência da espessura P no perfil de temperatura em x para y = 0,5 m (P*=0.1, P=0,05 m).
Fonte – (INÁCIO et al., 2009).
 1ª Etapa

5ª Variação térmica significativa em função do parâmetro D

(profundidade do defeito) na análise do perfil de temperaturas.
0 ,2 8

Ө (Temperatura adimensional)
0 ,2 6

0 ,2 4
D*=0.1
D*=0.2
D*=0.3
D*=0.4
0 ,2 2
0 ,5 0 ,6 0 ,7 0 ,8 0 ,9 1
x*

Figura 8 – Influência da profundidade D no perfil de temperatura em x para y = 0,5 m (D*=0.1, D=0,05 m).
Fonte – (INÁCIO et al., 2009).
2ª Etapa

Estudo sobre a distribuição superficial de temperatura

(geração das imagens em ANSYS® - dados sintéticos)

 2ª Etapa

Solução numérica (MEF)

Figura 9 – F largura, H altura, P espessura e D profundidade (m 2) (conjunto total 256 imagens).

3ª Etapa

Estudo e desenvolvimento de algoritmos para o processamento

e análise das imagens termográficas
 3ª Etapa

Processamento das imagens

Processamento com o software Matlab R2010 usando o padrão RGB

(do inglês red, green and blue) (RUSS, 2007).

Figura 10 – Termograma
 3ª Etapa

Processamento das imagens

Obtendo as matrizes correspondentes à cada imagem térmica.

Figura 11 – Termograma e matrizes RGB.

 3ª Etapa

Processamento das imagens

Combinação linear para substituição das matrizes RGB por matrizes

com valores de temperatura.

Figura 12 – Função de conversão para o padrão de temperaturas (Imagem

ilustrativa).
 3ª Etapa

Processamento das imagens

De acordo com QUEIROZ (2008), os métodos de classificação e

ou/ caracterização podem ser divididos em classificadores por pixels
ou por regiões.
 3ª Etapa

Processamento das imagens

Frequência de pixels (valores de temperatura).

Figura 13 – Histogramas de temperatura.

 3ª Etapa

Processamento das imagens

Frequência de pixels em três subintervalos.

Figura 14 – Inferência estatística.

 3ª Etapa

Processamento das imagens

Figura 15 – Distribuição de temperatura (D=0.05, H=F=P=0.20 m).

Região de menor temperatura coincide com a projeção do

defeito à superfície (Inácio et al., 2009).
 3ª Etapa

Processamento das imagens

Algoritmo para localização do defeito.

Figura 16 – Indício da localização do defeito.

 3ª Etapa

Processamento das imagens

Conjunto RNA 1

Figura 17 – Coleta de dados para a RNA 1.

 3ª Etapa

Processamento das imagens

Conjunto RNA 2

Figura 18 – Coleta de dados para a RNA 2.

 3ª Etapa

Processamento das imagens

Conjunto RNA 2

Figura 19 – Coleta de dados para a RNA 2.

 3ª Etapa

Processamento das imagens

Conjunto RNA 3

Figura 20 – Coleta de dados para a RNA 3.

 3ª Etapa

Processamento das imagens

Conjunto RNA 3

Figura 21 – Coleta de dados para a RNA 3.

 3ª Etapa

Processamento das imagens

Conjunto RNA 4

Figura 22 – Coleta de dados para a RNA 4.

 3ª Etapa

Processamento das imagens

Conjunto RNA 4

Figura 23 – Coleta de dados para a RNA 4.

 3ª Etapa

Processamento das Imagens

Tabela 1 – Tempo de processamento para obtenção das características para cada RNA nas 256 imagens.
4ª Etapa

Estudo sobre topologias neurais para o reconhecimento de

padrões e desenvolvimento da ferramenta computacional
(Redes Neurais Artificiais em Matlab®)
 4ª Etapa

Redes Neurais Artificiais

Figura 24 – Modelo de uma Rede Neural Artificial.

Redes Neurais Artificiais são técnicas computacionais que

apresentam um modelo matemático inspirado na estrutura neural de
organismos inteligentes, podendo adquirir conhecimento pela
experiência (HAYKIN, 2003).
 4ª Etapa

Redes Neurais Artificiais

Informações disponíveis para o treinamento da rede:

Quatro conjuntos de dados:

 RNA 1 08 características
 RNA 2 13 características
 RNA 3 09 características
 RNA 4 25 características

 Parâmetros F (largura), H (altura) e D (profundidade) do defeito.

 4ª Etapa

Redes Neurais Artificiais

Topologias

Rede de três camadas feedforward:

Entrada
Escondida
Saída (TSOUKALAS e UHRIG,1997)
Funções de ativação:
Tangente hiperbólica para a camada de entrada e escondida
Linear para a camada de saída
Modelo de treinamento:
Aprendizado supervisionado (BARRETO, 2004).
Trainbr do Matlab R2010®
 4ª Etapa

Redes Neurais Artificiais

Topologias

Segundo HAYKIN (2003), “os neurônios da camada escondida

desempenham um papel crucial na operação de uma rede de múltiplas
camadas com aprendizagem por retropropagação porque agem como
detectores de características”.
 4ª Etapa

Redes Neurais Artificiais

Topologias

Segundo SILVA et al. (2010), “para obter o número de

neurônios na camada escondida podem ser utilizados os métodos de:

Kolmogorov
Fletcher-Gloss
Weka (Waikato environment for knowledge analysis)
Validação cruzada com amostragem aleatória (random subsampling
cross-validation)”.
 4ª Etapa

Redes Neurais Artificiais

Topologias

Os testes para determinação das topologias foram definidos

usando validação cruzada com amostragem aleatória do conjunto de
imagens, divididos em treinamento, (80%), validação, (10%) e teste
(10%, dados inéditos), com o intuito de obter o número de neurônios na
camada escondida com menor nível de erro.
 4ª Etapa

Redes Neurais Artificiais

Algoritmo de otimização e definição das redes

Figura 25 – Otimização e definição das topologias (Imagem ilustrativa).

 4ª Etapa

Redes Neurais Artificiais

Tabela 2 – Análise dos erros das simulações (NNH = número de neurônios na camada escondida com mínimo MMSE, NTE = número
de treinamentos e NTT = número total de treinamentos).
 4ª Etapa

Redes Neurais Artificiais

Topologias obtidas

RNA 1 08 03 03
RNA 2 13 08 03
RNA 3 09 09 03
RNA 4 25 15 03
Figura 26 – Topologias neurais obtidas.
 4ª Etapa

Redes Neurais Artificiais

Análise de erros RNA 1

Figura 27 – Distribuição dos erros percentuais absolutos da RNA

1.
 4ª Etapa

Redes Neurais Artificiais

Análise de erros RNA 2

Figura 28 – Distribuição dos erros percentuais absolutos da RNA

2.
 4ª Etapa

Redes Neurais Artificiais

Análise de erros RNA 3

Figura 29 – Distribuição dos erros percentuais absolutos da RNA

3.
 4ª Etapa

Redes Neurais Artificiais

Análise de erros RNA 4

Figura 30 – Distribuição dos erros percentuais absolutos da RNA

4.
 4ª Etapa

Redes Neurais Artificiais

Tabela 3 – Análise dos erros das RNA avaliados para cada parâmetro.
 4ª Etapa

Redes Neurais Artificiais

Tabela 3 – Análise dos erros das RNA avaliados para cada parâmetro.
 4ª Etapa

Redes Neurais Artificiais

Tabela 3 – Análise dos erros das RNA avaliados para cada parâmetro.
 4ª Etapa

Redes Neurais Artificiais

Tabela 3 – Análise dos erros das RNA avaliados para cada parâmetro.
 4ª Etapa

Redes Neurais Artificiais

Resultados

Figura 31 – Desempenho das topologias testadas.

 4ª Etapa

Software de processamento de imagens termográficas e análise

por redes neurais artificiais

Figura 32 – Funcionamento do software.

 4ª Etapa

Software de processamento de imagens termográficas e análise

por redes neurais artificiais

Figura 33 – Funcionamento do software.

 5ª Etapa

Testando o software com modelos sintéticos irregulares

Caso 1 - Valores diferenciados para os parâmetros F, H, P e D

Caso 2 - Ampliação da área em análise

Caso 3 - Geometria irregular do defeito (dois modelos)

 5ª Etapa

Resultados para os parâmetros diferenciados

Figura 34 – Resultados das topologias ANN 1 e ANN 2.

 5ª Etapa

Resultados para os parâmetros diferenciados

Figura 35 – Resultados das topologias ANN 1 e ANN 2.

 5ª Etapa

Resultados para os parâmetros diferenciados

Figura 36 – Resultados das topologias ANN 1 e ANN 2.

 5ª Etapa

Resultados para ampliação da área em análise

Figura 37 – Resultado para a localização do defeito.

 5ª Etapa

Resultados para ampliação da área em análise

Tabela 4 – Resultados das topologias ANN 1 e ANN 2.

 5ª Etapa

Resultados para ampliação da área em análise

Figura 38 – Comparação do perfil térmico do modelo de treinamento e do modelo irregular.

 5ª Etapa

Resultados para defeito com geometria irregular

Figura 39 – Termogramas e defeitos com geometrias irregulares.

 5ª Etapa

Resultados para defeito com geometria irregular

Tabela 4 – Resultados das topologias ANN 1 e ANN 2.

Figura 40 – Indícios da localização de cada defeito.

 5ª Etapa

Resultados para defeito com geometria irregular

Figura 41 – Perfil de temperaturas na direção x em y = Gy.

 5ª Etapa

Resultados para defeito com geometria irregular

Tabela 5 – Resultados das topologias ANN 1 e ANN 2.

 5ª Etapa

Teste Experimental

Figura 42 – Modelo para análise termográfica experimental.

 5ª Etapa

Teste Experimental

Figura 43 – Montagem do bloco de concreto com os equipamentos para

simular as condições de contorno do modelo sintético.
 5ª Etapa

Teste Experimental

Figura 44 – Análise termográfica.

 5ª Etapa

Teste Experimental

Figura 45 – Termograma.
 5ª Etapa

Resultados para o teste experimental

Tabela 6 – Resultados das topologias ANN 1 e ANN 2.

Conclusões

(i) padronização das matrizes RGB

(ii) localização da região de menor temperatura indicando um defeito

(iii) coleta de características para os modelos neurais

(iv) otimização das topologias RNA 1, 2 ,3 e 4

(v) identificação das topologias de melhor desempenho para o

reconhecimento de padrões, RNA 2 (ANN 1) e RNA 4 (ANN 2)

(vi) identificação de defeitos e seus parâmetros em imagens sintéticas

contendo irregularidades

(vii) identificação de defeito e seus parâmetros em imagens

experimentais
Sugestões:
Reconhecimento de padrões de defeitos
(i) a aplicação de algoritmos de processamento de imagens em outros
em
níveis de concreto a partir de imagens térmicas
cores;
(ii) estacionárias
investigação e redes neurais
de técnicas alternativas artificiais.
para aprendizado das redes e
uso de outras funções de ativação, bem como a quantidade de sinais
funcionais e de camadas escondidas;
(iii) avaliação da influência da heterogeneidade do concreto nas
simulações térmicas e o impacto sobre as respostas das redes
neurais artificiais;
(iv) geração de modelos sintéticos em áreas de maior dimensão;
(v) utilização de outras linguagens computacionais para implementação
dos modelos neurais;
(vi) comparação dos resultados com outros métodos numéricos de
inteligência computacional;
(vii) estudo transiente para o problema térmico.
Agradecimentos:
Reconhecimento de padrões de defeitos
À ELEJOR - Centrais Elétricas do Rio Jordão pelo apoio financeiro
Ao LACTECem concreto
– Instituto a partirpara
de Tecnologia de imagens térmicas
o Desenvolvimento pela infra-
estrutura estacionárias e redes neurais artificiais.
Ao Programa de Pós-Graduação em Métodos Numéricos em Engenharia
Ao Profº Luiz Alkimin de Lacerda
À Profª Andréa Sell Dyminski
À secretária Maristella Bandil
Ao Jefferson, à Amanda e ao Fábio
Aos meus amigos
À minha noiva Andréia
Aos meus pais
<a rel="license" href="http://creativecommons.org/licenses/by-nc-
nd/3.0/"><img alt="Licença Creative Commons" style="border-
width:0"Reconhecimento de padrões de defeitos
src="http://i.creativecommons.org/l/by-nc-
nd/3.0/88x31.png" /></a><br />A obra <span
em concreto a partir de imagens térmicas
xmlns:dct="http://purl.org/dc/terms/"
estacionárias e redes neurais
href="http://purl.org/dc/dcmitype/Text" artificiais.
property="dct:title"
rel="dct:type">Roberto Pettres Redes Neurais Artificiais e
Termografia</span> de <span
xmlns:cc="http://creativecommons.org/ns#"
property="cc:attributionName">Roberto Pettres</span> foi licenciada
com uma Licença <a rel="license"
href="http://creativecommons.org/licenses/by-nc-nd/3.0/">Creative
Commons - Atribuição - Uso Não-Comercial - Obras Derivadas
Proibidas 3.0 Não Adaptada</a>.