Inteligência Artificial Aplicada a Detecção de Vazamentos em Dutos e Canos
Notice bibliographique
Résumé
Resumo-Vazamentos em dutos e canos podem gerar prejuízos significativos devido à perda do fluido, assim como, contaminação de solos e rios, dependendo do fluido vazado.Este trabalho, desenvolvido como projeto de iniciação científica, tem como objetivo criar uma ferramenta que permita aumentar a eficiência da inspeção aérea de dutos e canos utilizando técnicas de aprendizado de máquina para a detecção de vazamentos.Para isso, foram treinados e testados três modelos de redes neurais com pré-processamento de imagens para detecção de vazamentos utilizando um banco de imagens próprio.A rede teve desempenho satisfatório para a aplicação proposta com 87% de acurácia. Palavras-Chave-Aprendizado de máquina, visão computacional, detecção de vazamento.Abstract-Leaks in ducts and pipes can generate significant losses due to fluid loss, as well as contamination of soils and rivers, depending on the leaked fluid.This work, developed as a scientific initiation project, aims to create a tool to increase the efficiency of aerial inspection of pipelines and pipes using machine learning techniques for leak detection.For this, three models of neural networks with pre-processing of images for leak detection were trained and tested using a proprietary image bank.The network performed satisfactorily for the proposed application with 87% accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».