Métodos para recomendação de hiperparâmetros de aprendizado de máquina na classificação de imagens da construção civil

• Ano de defesa: 2022
• Autor(a) principal: Ottoni, André Luiz Carvalho
• Orientador(a): Novo, Marcela Silva
• Banca de defesa: Novo, Marcela Silva , Carvalho, André Carlos Ponce de Leon Ferreira de , Dória Neto, Adrião Duarte , Cerqueira, Jés de Jesus Fiais , Assis, Karcius Day Rosario
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica (PPGEE)
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Classificação de imagens (construção civil); Data augmentation; Construção civil; Recomendação de hiperparâmetros
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS; CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufba.br/handle/ri/36579

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.