Detecção de símbolos gráficos em projetos de incêndio com o uso de rede neural convolucional

Abstract

A análise de projetos técnicos de engenharia de incêndio pelo Corpo de Bombeiros é uma atividade visual, que demanda atenção concentrada e está sujeita a falhas. O uso de técnicas de visão computacional aliadas a métodos de aprendizado de máquina podem reduzir a carga de trabalho do agente público investido na função de analista de projetos, reduzindo a possibilidade de falhas e o tempo de execução da atividade. Este trabalho propõe o desenvolvimento de uma base de dados contendo símbolos gráficos de medidas de segurança contra incêndios usados nos projetos de incêndio e o treinamento de uma rede neural convolucional para a detecção desses objetos em tempo real. Foi criada uma base de dados contendo 1.000 imagens de projetos de incêndios reais apresentados ao Corpo de Bombeiros Militar do Estado do Espírito Santo. No total, foram rotulados 5.291 objetos distribuídos de forma desbalanceada em 12 diferentes classes. O desempenho do modelo atingiu 93,66% de mAP50 com o uso da técnica de treinamento e validação k-fold cross validation, com IoU de 83,27%. Foram implementados dois protótipos de aplicações para detecção das simbologias alvo em projetos. Os indicadores de tempo de detecção não foram incluídos no trabalho. O estudo abre caminho para automatização da tarefa de verificação de projetos técnicos com o uso de visão computacional. Melhorias de desempenho podem ser alcançadas com a ampliação da base de dados e com o treinamento em outras arquiteturas de rede neural.

The verification of fire protection engineering projects is a visual activity that requires concentrated attention and is prone to errors. The use of computer vision techniques combined with machine learning methods can reduce the workload of the public agent acting as a project analyst, thereby decreasing the possibility of errors and the time required for task completion. This work proposes the development of a database containing graphical symbols of fire safety systems used in fire projects and the training of a convolutional neural network for real-time detection of these objects. A database was created containing 1,000 images of real fire projects submitted to the Military Fire Brigade of the State of Espírito Santo. In total, 5,291 objects were labeled, distributed across 12 imbalanced classes. The model's performance achieved 93.66% mAP50 using the k-fold cross-validationn technique on training and validation , with an IoU of 83.27%. Two application prototypes for the detection of target symbols in projects were implemented. Detection time indicators were not included in the work. The study paves the way for the automation of the technical project verification task using computer vision. Performance improvements can be achieved by expanding the database and training on other neural network architectures.