INSPEÇÃO DE RODEIROS EM WAYSIDES POR VISÃO COMPUTACIONAL
Nome: AIURY SANT'ANNA JURESWSKI
Data de publicação: 07/04/2026
Banca:
Nome |
Papel |
|---|---|
| DANIEL CRUZ CAVALIERI | Examinador Externo |
| FILIPE WALL MUTZ | Examinador Interno |
| RAQUEL FRIZERA VASSALLO | Presidente |
Resumo: O transporte ferroviário desempenha um papel fundamental na economia global, destacando se por sua eficiência, segurança e alta capacidade. No Brasil, com uma vasta malha fer roviária de cerca de 31 mil quilômetros, as empresas mineradoras fazem uso extensivo desse modal, o que torna a manutenção das ferrovias um desafio constante. Essa tarefa,
que exige rigoroso planejamento, mão de obra especializada e recursos consideráveis, é complicada pela vasta extensão das linhas ferroviárias, frequentemente localizadas em áreas remotas e sujeitas a condições climáticas adversas que aceleram a deterioração da infraestrutura.
Nesse cenário, o monitoramento constante da infraestrutura ferroviária é essencial para assegurar a segurança e eficiência do sistema, permitindo a detecção antecipada de falhas e anomalias e, assim, possibilitando ações preventivas. O trabalho apresentado propôs um método automático de inspeção de waysides utilizando visão computacional, com a implementação de técnicas de detecção de objetos e segmentação semântica. Na primeira fase, os elementos de interesse foram rotulados para o treinamento, validação e teste dos modelos. Na segunda fase, os módulos de detecção foram individualmente treinados e testados, destacando-se o modelo YoloV5 Nano, que alcançou 0,983 de precisão e 0,869 de mAP.50-95, e o modelo YoloV5 Extra Large, com bons resultados na medição de molas, apresentando um MAE de 3,325 pixels e R2 de 0,976. Na segmentação, a combinação de ResNet-50 e DeepLabV3 alcançou IoU de 0,9064, enquanto MobileNet V2 com FPN obteve o melhor desempenho na medição de bandagens, com MAE de 2,480 pixels e R2 de 0,930.
Além disso, o trabalho implementou diversas otimizações no fluxograma, como pruning, quantization, dataloader e warmup. A combinação do modelo Nano em Torchscript com MobileNet V2 e FPN em PyTorch atingiu impressionantes 75,72 quadros por segundo em GPU e 33,63 quadros por segundo em CPU, ambos superando a taxa de execução em tempo real. Já o modelo Extra Large obteve 26,48 quadros por segundo em GPU, ligeiramente abaixo do ideal para tempo real.
Com o fluxograma proposto e as metodologias de otimização aplicadas, o trabalho de monstrou a viabilidade de realizar inspeção e medição de ativos ferroviários em um curto período, utilizando apenas uma câmera para capturar os dados e alcançando execução em tempo real, tanto em GPU quanto em CPU, o que contribui significativamente para a manutenção eficiente e precisa das ferrovias.
