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

Página do item simplificado
dc.contributor.advisor-co1MENDES, Ingrid Nery
dc.contributor.advisor-co1Latteshttps://lattes.cnpq.br/7079854122764802
dc.contributor.advisor-co1ORCIDhttps://orcid.org/0009-0003-0916-3906
dc.contributor.advisor1TEIXEIRA, Otávio Noura
dc.contributor.advisor1Latteshttps://lattes.cnpq.br/5784356232477760
dc.creatorSOUZA, Jhonatan Oliveira de
dc.creator.Latteshttps://lattes.cnpq.br/0312485840828328
dc.date.accessioned2026-03-13T18:25:51Z
dc.date.available2026-03-13T18:25:51Z
dc.date.issued2026-02-27
dc.description.abstractThis study presents an experimental comparative evaluation of machine learning techniques applied to the classification of road images with and without potholes. The algorithms K-Nearest Neighbors (KNN), Support Vector Machines (SVM), and Convolutional Neural Networks (CNN) were analyzed under the same standardized Dataset and experimental protocol. Each model was executed 50 times using different random seeds to ensure statistical robustness. Performance was assessed using Accuracy, Precision, Recall, and F1-Score metrics, along with computational cost analysis. The results indicate superior performance and greater stability of traditional classifiers (KNN and SVM) compared to CNN in the evaluated scenario, highlighting the impact of Dataset size and model complexity on learning effectiveness.
dc.description.resumoEste 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.
dc.identifier.citationSOUZA, Jhonatan Oliveira de. Estudo empírico de técnicas de aprendizagem de máquina na classificação e identificação de imagens de depressões em vias rodoviárias. Orientador: Otávio Noura Teixeira; Coorientadora: Ingrid Nery Mendes 2026. [16] f. Trabalho de Curso (Bacharelado em Engenharia da Computação) – Faculdade de Engenharia da Computação, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/9344. Acesso em:.
dc.identifier.urihttps://bdm.ufpa.br/handle/prefix/9344
dc.rightsAcesso Abertopt_BR
dc.rights.licenseAttribution-NonCommercial-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectAprendizado de máquina
dc.subjectVisão computacional
dc.subjectPavimentação asfáltica
dc.subject.cnpqCNPQ::ENGENHARIAS
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
dc.titleEstudo empírico de técnicas de aprendizagem de máquina na classificação e identificação de imagens de depressões em vias rodoviárias
dc.typeTrabalho de Curso - Graduação - Artigo

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TC_Artigo_EstudoEmpiricoTecnicas.pdf
Tamanho:
665.55 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia da Computação - FECOMP/CAMTUC
Logo do RepositórioLogo do Repositório