Estudo empírico de técnicas de aprendizagem de máquina na classificação e identificação de imagens de depressões em vias rodoviárias

Este trabalho apresenta uma avaliação experimental comparativa de técnicas de aprendizagem de máquina aplicadas à classificação de imagens de vias rodoviárias com e sem buracos. Foram analisados os algoritmos K-Nearest Neighbors (KNN), Máquinas de Vetores de Suporte (MVS) e Redes Neurais Convolucionais (RNC), utilizando os mesmos conjuntos de dados e protocolo experimental padronizado. Cada modelo foi executado 50 vezes, variando a semente aleatória para garantir maior robustez estatística. O desempenho foi avaliado por meio das métricas de Acurácia, Precisão, Recall e F1-Score, além da análise do custo computacional. Os resultados indicaram desempenho superior e maior estabilidade dos classificadores tradicionais (KNN e MVS) em comparação à RNC no cenário avaliado, destacando a influência do tamanho do Dataset e da complexidade do modelo no processo de aprendizagem.