Skip navigation
Universidade Federal da Bahia |
Repositório Institucional da UFBA
Use este identificador para citar ou linkar para este item: https://repositorio.ufba.br/handle/ri/36579
Tipo: Tese
Título: Métodos para recomendação de hiperparâmetros de aprendizado de máquina na classificação de imagens da construção civil
Autor(es): Ottoni, André Luiz Carvalho
Primeiro Orientador: Novo, Marcela Silva
metadata.dc.contributor.referee1: Novo, Marcela Silva
metadata.dc.contributor.referee2: Carvalho, André Carlos Ponce de Leon Ferreira de
metadata.dc.contributor.referee3: Dória Neto, Adrião Duarte
metadata.dc.contributor.referee4: Cerqueira, Jés de Jesus Fiais
metadata.dc.contributor.referee5: Assis, Karcius Day Rosario
Resumo: O objetivo desta tese é propor métodos criteriosos para recomendação de hiperparâmetros de Aprendizado de Máquina na classificação de imagens da construção civil. Para isso, os métodos computacionais denominados HyperTuningSK e AutoHyperTuningSK são propostos. Esses algoritmos utilizam técnicas estatísticas para recomendação de hiperparâmetros, como Análise de Variância e o algoritmo de agrupamentos de Scott-Knott. Os experimentos observaram duas classes de hiperparâmetros: treinamento (taxa de aprendizado e otimizador) e data augmentation. Além disso, os métodos desenvolvidos foram testados em quatro estudos de casos: reconhecimento de vegetação em fachadas, detecção de patologias em calhas, classificação de máquinas e classificação de rachaduras. Os resultados obtidos demonstraram que os hiperparâmetros analisados influenciaram diretamente no desempenho na classificação de imagens nas aplicações analisadas. Também vale ressaltar que as configurações de hiperparâmetros ajustadas pelo HyperTuningSK obtiveram recomendações distintas de acordo com a arquitetura neural utilizada. Nesse sentido, a combinação adagrad025 alcançou HyperScore = AAA para a arquitetura Densenet121. Os resultados para análise de data augmentation, por sua vez, mostram que duas transformações foram as mais recomendadas pelo HyperTuningSK: deslocamento em largura e deslocamento em altura. Nos experimentos do quarto estudo de caso, o algoritmo AutoHyperTuningSK recomendou otimizador adagrad e taxa de aprendizado de 0,02220. Essa combinação conseguiu acurácia máxima de 99,48%, ou seja, o equivalente a classificação correta de 3.979 imagens (total de 4.000) no conjunto de teste. Os resultados para recomendação de hiperparâmetros de data augmentation também reforçam a eficiência da abordagem proposta usando o algoritmo AutoHyperTuningSK-DA. Nesse aspecto, a combinação recomendada alcançou acurácia média de 99,2% nos experimentos de teste.
Abstract: This work proposes rigorous methods for hyperparameter tuning of machine learning for classifying images in construction. For this, computational methods called HyperTuningSK and AutoHyperTuningSK are proposed. These algorithms use statistical techniques for recommending hyperparameters, such as Analysis of Variance and the Scott-Knott clustering algorithm. The approach uses statistical experimental design concepts, such as analysis of variance and the Scott-Knott clustering algorithm. In addition, four case studies were used: façade vegetation detection, gutter integrity detection, machinery classification, and crack classification. The results showed that the hyperparameters affect the performance of image classification. It is also worth noting that the hyperparameter configurations adjusted by HyperTuningSK resulted in different recommendations depending on the neural architecture used. In this sense, the adagrad025 combination achieved a HyperScore = AAA for the Densenet121 architecture. The results of the data augmentation analysis show that two transformations were the most recommended by HyperTuningSK: width shift and height shift. Moreover, the AutoHyperTuningSK algorithm recommended an adagrad optimizer and a learning rate of 0.02220 in the experiments for the fourth case study. This combination achieved a maximum accuracy of 99.48%, that is, the correct classification of 3,979 images (4,000 in total) in the test dataset. The results for tuning data augmentation hyperparameters also confirm the efficiency of the proposed approach using the AutoHyperTuningSK-DA algorithm. In this regard, the recommended combination achieved an average accuracy of 99.2% in the test experiments.
Palavras-chave: Aprendizado de máquina
Classificação de imagens (construção civil)
Data augmentation
Construção civil
Recomendação de hiperparâmetros
CNPq: CNPQ::ENGENHARIAS
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Idioma: por
País: Brasil
Editora / Evento / Instituição: Universidade Federal da Bahia
Sigla da Instituição: UFBA
metadata.dc.publisher.department: Escola Politécnica
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) 
URI: https://repositorio.ufba.br/handle/ri/36579
Data do documento: 12-Dez-2022
Aparece nas coleções:Tese (PPGEE)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Tese-Andre-Ottoni-final.pdf26,4 MBAdobe PDFVisualizar/Abrir
Mostrar registro completo do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.