Please use this identifier to cite or link to this item: http://hdl.handle.net/10216/107814
Author(s): José Pedro Lobo Marinho Trocado Moreira
Title: Identificação de danos em veículos sinistrados através de imagens
Issue Date: 2017-02-16
Abstract: Visual image classification is a research area that involves both computer vision and machinelearning. The task of visually classifying an object consists in assigning an object to a category, orset of categories the object belongs to.Traditionally, visual classification tasks are performed using a two layered system, made upof a first layer featuring an out-of-the-shelf feature extractor and detector, and a second classifierlayer. In most recent years, convolutional neural networks have been shown to outperform suchpreviously used systems.Cars have a paramount role in today's world, and being able to automatically classify damagesin cars is of great interest specially to the car insurance industry. Car insurance companies dealwith car inspections on a daily basis. Such inspections are a manual, lengthy and sometimes faultyprocesses. Processes that bring costs and inconveniences to costumers and insurance companiesalike. Even though the total replacement of such manual inspection processes might still be faraway, developing systems to aid, accelerate or enhance the process might be possible with today'stechnology.There isn't, to my knowledge, much work developed in automatic visual car damage classi-fication, and none of it employs these recent performance improvements in image classificationmade possible through the use of CNNs. This happens in spite of some recent research pointing atthe fact that modern CNN technology does in fact, outperform traditional methods in non damage,car related image classification tasks.I hope to successfully apply state-of-the-art Convolutional Neural Network technology to solvethe problem of automatically identifying, distinguishing and locating damages in car images. Iintend to develop a working prototype of a system that will be able to tell if a given photographexhibits a car with damages or not, and possibly identifying, to some extent, the damaged areaswithin the car. The most promising CNN architectures will be used, taking in account both itsclassification accuracy as well as training and classification times.In order to be able to develop such system, a suitable dataset was gathered. The dataset is veryunbalanced in terms of the represented classes. Such imbalances have important effects that werecorrected with suitable techniques to prevent a significant performance degradation. The datasetis used to both train and measure the performance of the system. Since no car damage datasetsare freely available, the used dataset is composed of images gathered using search engines and carcrash agencies galleries.
Description: A classificação automática de imagens é uma área científica que se encontra na fronteira entre aVisão por Computador eMachine Learning. A classificação de imagens é um processo que, muitosimplesmente, consiste na atribuição de imagens a uma ou mais categorias.Até muito recentemente, os sistemas tipicamente utilizados para fazer a classificação au-tomática de imagens, eram constituídos por duas camadas distintas. A primeira camada é tipica-mente constituída por umFeature ExtractoreFeature Detector. Sendo que estes subsistemas sãotipicamente constituídos por complexos algoritmos já existentes. A segunda camada é usualmenteconstituída por um classificador. Nos últimos anos, asconvolutional neural networks(CNNs)têm-se mostrado capazes de obter melhores resultados que estes sistemas mais tradicionais.Os carros têm um papel muito importante no mundo de hoje e a classificação automática dedanos é, também por isso, bastante relevante para a indústria seguradora, entre outras. As se-guradoras automóveis têm que lidar frequentemente com inspeções a veículos danificados. Esteprocesso é normalmente demorado e ineficiente, com inconvenientes e custos quer para a em-presa, quer para os clientes. Embora a automatização total destes processos possa ainda não serpossível, a utilização de sistemas de classificação automática de danos pode acelerar e melhorarestes processos manuais com a tecnologia de que dispomos hoje.Não existe, do meu conhecimento, nenhuma investigação feita, que aplique os avanços maisrecentes na área das CNNs à deteção automática de danos em veículos. Isto embora exista jáalguma investigação que indica uma boa performance deste tipo de sistemas em tarefas de classi-ficação relativas a imagens de veículos.Este documento ilustra a aplicação dos melhores e mais recentes avanços na área de classi-ficação de imagem, nomeadamente os últimos avanços em CNNs, à classificação de imagens deveículos danificados. Para isso foi desenvolvido um protótipo de um sistema capaz de identificar eclassificar a severidade dos danos evidenciados em imagens, bem como localizar, com algum graude precisão, a área do veículo que se encontra danificada. Serão usadas as arquiteturas de CNNsmais promissoras, baseando o critério de escolha das arquiteturas em aspetos relacionados com apercentagem de erro de classificação, bem como na rapidez com que a classificação é feita.Para o treino e teste do protótipo, foi criado um conjunto de dados que permite treinar e avaliara performance do sistema, uma vez que tal conjunto de dados não se encontra disponível. Para tal,foram recolhidas imagens de pesquisas efetuadas em motores de busca, bem como recolhidas dewebsitesde agências de segurança automóvel.
Subject: Engenharia electrotécnica, electrónica e informática
Electrical engineering, Electronic engineering, Information engineering
TID identifier : 201800004
URI: http://hdl.handle.net/10216/107814
Document Type: Dissertação
Rights: embargoedAccess
Embargo End Date: 2020-02-15
Appears in Collections:FEUP - Dissertação

Files in This Item:
File Description SizeFormat 
219929.pdfIdentificação de danos em veículos sinistrados através de imagens1.76 MBAdobe PDF    Request a copy from the Author(s)


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.