Classificação de faróis danificados de veículos usando Redes Neurais Convolucionais

Abstract

RESUMO: A análise de sinistros de veículos é um processo que permite às seguradoras determinar se os danos reportados estão cobertos pela apólice contratada. No caso de danos em faróis, a avaliação geralmente envolve o envio de uma foto do veículo para análise visual por um especialista, com o objetivo de identificar a extensão do problema. Este trabalho apresenta um sistema automatizado para a classificação de tipos de danos em faróis veiculares, utilizando análise de imagens. O sistema proposto adota uma abordagem em duas etapas baseada em redes neurais convolucionais (CNNs). Na primeira etapa, uma rede U-Net é utilizada para detectar e segmentar a região do farol na imagem. A imagem segmentada é então isolada e submetida a uma segunda CNN para classificar o farol em quatro categorias: quebrado, embaçado, infiltrado ou sem danos. Diversas arquiteturas de CNN foram avaliadas para essa tarefa de classificação, incluindo VGG, ResNet, Inception, Xception, MobileNet, DenseNet e EfficientNet. Para os experimentos, dois bancos de imagens rotuladas foram desenvolvidos, um para detecção e outro para classificação. O conjunto de dados para detecção inclui 2.000 imagens de veículos com suas respectivas máscaras segmentadas, distribuídas em 1.600 imagens para treinamento, 200 para validação e 200 para teste. O conjunto de dados para classificação é composto por 2.400 imagens igualmente distribuídas entre as quatro classes de danos, sendo 1.920 utilizadas para treinamento, 240 para validação e 240 para teste. Nos testes realizados, o sistema alcançou um índice de Interseção sobre União (IoU) de 70,35% na etapa de detecção de faróis e uma acurácia de 78% na classificação de danos, utilizando a arquitetura DenseNet121. Esses resultados demonstram a viabilidade da abordagem proposta para automatizar a análise de sinistros envolvendo danos em faróis.

ABSTRACT: Vehicle claims analysis is a process that allows insurance companies to determine whether reported damages are covered by the contracted policy. In cases of headlight damage, the evaluation often involves sending a photo of the vehicle for visual analysis by a specialist to assess the extent of the problem. This work presents an automated system for classifying types of vehicle headlight damage using image analysis. The proposed system adopts a two-stage approach based on convolutional neural networks (CNNs). In the first stage, a U-Net network detects and segments the headlight region in the image. The segmented image is then isolated and submitted to a second CNN to classify the headlight into four categories: broken, fogged, infiltrated, or undamaged. Several CNN architectures were evaluated for this classification task, including VGG, ResNet, Inception, Xception, MobileNet, DenseNet, and EfficientNet. For the experiments, two labeled datasets were developed, one for detection and another for classification. The detection dataset includes 2000 vehicle images with their respective segmented masks, distributed as 1600 for training, 200 for validation, and 200 for testing. The classification dataset consists of 2400 images equally distributed across the four damage classes, with 1920 for training, 240 for validation, and 240 for testing. In the tests, the system achieved an Intersection over Union (IoU) of 70,35% in the headlight detection stage and an accuracy of 78% in damage classification using the DenseNet121 architecture. These results demonstrate the feasibility of the proposed approach to automate claims analysis involving headlight damage.