Inteligência artificial explicável para detecção de fissuras em concreto armado : uma abordagem pós-hoc combinando técnicas de XAI em eedes neurais convolucionais

Abstract

Este trabalho propõe uma abordagem inovadora para aumentar a interpretabilidade de redes neurais convolucionais (CNNs) na tarefa de detecção de fissuras em estruturas de concreto, integrando algoritmos de explicabilidade baseados em visualização, como o Grad-CAM, com

técnicas de segmentação não supervisionada, a exemplo do algoritmo K-means. A metodo- logia emprega aprendizado por transferência com arquiteturas consagradas (VGG16, VGG19

e ResNet) alcançando acurácia superior a 99% nos conjuntos de treinamento e teste. Foram avaliadas estratégias de explicabilidade fundamentadas tanto em perturbação do espaço de entrada quanto nos pesos internos das camadas convolucionais. Os resultados indicam que a

combinação entre Grad-CAM e K-means aprimora não apenas a acurácia na detecção de fis- suras, mas também a transparência do processo decisório, aspecto crítico para aplicações reais

em monitoramento estrutural. Para mensurar objetivamente o grau de explicabilidade dos mo- delos, foi proposta uma nova métrica baseada na sobreposição entre as máscaras geradas pelos

mapas de ativação das técnicas de explicabilidade e os segmentos resultantes da clusterização, permitindo avaliar a coerência espacial entre as regiões de interesse destacadas pelo modelo e as áreas efetivamente associadas às fissuras. Embora o desempenho da segmentação tenha

sido majoritariamente satisfatório, foram identificadas limitações em imagens com alta com- plexidade visual. A seleção automatizada de camadas mais relevantes para análise foi validada

por especialistas em engenharia civil, reforçando a viabilidade prática da proposta. Ressalta-se o ineditismo da abordagem com foco explícito em explicabilidade no contexto da classificação

de fissuras em concreto, com código-fonte disponibilizado abertamente no GitHub. Como des- dobramento natural, recomenda-se a investigação de técnicas de segmentação mais robustas

e a ampliação do conjunto de dados para abranger maior diversidade de padrões fissurais.