BANCO DE DADOS DE RISERS SUBMARINOS PARA DETECÇÃO DE CORROSÃO
As evoluções nos fundamentos de aprendizado de máquina têm sido fundamentais para o desenvolvimento de produtos e tecnologias disruptivas. Esse progresso, centrado nas redes neurais artificiais e suas aplicações, como a visão computacional, permite que sistemas autônomos identifiquem padrões visuais complexos de maneira semelhante à percepção humana, embora dependam fortemente de grandes conjuntos de dados. Este trabalho tem como objetivo a construção de um conjunto único de dados submarinos, com anotações, para ser aplicado na detecção de corrosão externa em risers. A metodologia envolveu a coleta de imagens a partir de frames de vídeos do YouTube, a padronização e o processamento desses dados para classificar as imagens com e sem danos externos, armazenando-as na nuvem. A arquitetura YOLOv8, na versão nano, foi utilizada para o treinamento e validação do modelo. Durante essas etapas, o algoritmo mostrou uma rápida diminuição nas taxas de erro e um aumento na precisão e no recall, evidenciando uma adaptação aos dados. A validação posterior com um novo conjunto de dados confirmou a confiabilidade do detector em contextos práticos, identificando corretamente os estados "corroded" e "clear" com alta confiança. No entanto, foram observadas algumas sobreposições em imagens individuais, atribuídas às características ambíguas.