Uso de inteligência artificial e aerofotogrametria para identificação de fissuras em ciclovias e integração com GIS

Abstract

A inspeção e o monitoramento de ciclovias são essenciais para a segurança e o conforto dos usuários, porém ainda dependem, em grande parte, de vistorias manuais, com limitações de produtividade, rastreabilidade e padronização. Neste trabalho, foi proposto e validado um fluxo integrado para identificação automatizada de fissuras em ciclovias de pavimento rígido, combinando aerofotogrametria por VANT, modelos de aprendizado profundo e integração dos resultados em ambiente GIS, de modo a transformar saídas de detecção/segmentação em informações georreferenciadas para apoio à gestão da manutenção. Como contribuição científica, o estudo (i) constitui um banco de dados anotado específico para detecção e segmentação de fissuras em ciclovias de pavimento rígido, (ii) apresenta evidências de que modelos de alto desempenho são viáveis e robustos mesmo com conjuntos de dados limitados, desde que haja alta especificidade, (iii) sistematiza e valida um fluxo fim a fim VANT–IA–GIS aplicado à infraestrutura cicloviária e (iv) demonstra a conversão das inferências em camadas vetoriais georreferenciadas, discutindo limitações e ajustes necessários na vetorização das máscaras para preservação da morfologia das fissuras. Foi constituído um banco de dados para detecção com 738 imagens recortadas (1024×1024), totalizando 1.757 anotações de fissuras; após aumento de dados, obteve-se um conjunto consolidado com 3.834 imagens. Quatro arquiteturas foram treinadas e comparadas (YOLOv8m, YOLO11m, YOLO11l e RT-DETR-l), alcançando mAP50 entre 0,797 e 0,831, com melhor desempenho do YOLO11l (P=0,887; R=0,737; mAP50=0,831; 12,2 ms/imagem). Para segmentação, foi construído um dataset com 413 imagens (640×640) e 895 máscaras anotadas, e três modelos foram avaliados (YOLOv8m-seg, YOLO11m-seg e YOLO11l-seg), com destaque para o YOLO11l-seg (P=0,846; R=0,865; mAP50=0,872; 5,6 ms/imagem). A validação externa foi realizada em ortomosaico georreferenciado, com inferência no QGIS via plugin Deepness após conversão para ONNX, evidenciando coerência espacial das detecções e a necessidade de ajustes na vetorização das máscaras para preservar a morfologia das fissuras. Como produto, obtiveram-se camadas vetoriais georreferenciadas aptas a visualização, quantificação e análise espacial, consolidando a viabilidade do método para mapeamento automatizado de patologias em infraestrutura cicloviária e fornecendo uma base para integrações futuras com rotinas de priorização e sistemas de apoio à decisão.