BR112020018470A2

BR112020018470A2 - Avaliação de fissura de membrana de telhado por redes neurais artificiais

Info

Publication number: BR112020018470A2
Application number: BR112020018470-5A
Authority: BR
Inventors: Carl WILFRIED; Katrin SCHUMANN; Roger KATHRINER; Karin ODERMATT
Original assignee: Sika Technology Ag
Priority date: 2018-03-28
Filing date: 2019-03-28
Publication date: 2020-12-29
Also published as: ES2960317T3; WO2019185774A1; US20210012159A1; JP7288455B2; EP3776352A1; EP3776352B1; JP2021517245A; US11861871B2; MX2020009996A; EP3776352C0

Abstract

avaliação de fissura de membrana de telhado por redes neurais artificiais. a invenção se refere a um método e um sistema para avaliar a intensidade da fissura em uma folha polimérica com base em uma escala predeterminada de graus de intensidade da fissura, em que o método compreende as etapas de a) gravar uma imagem digital de pelo menos uma porção de uma superfície do folha polimérica que usa um aparelho para gravar imagens digitais; e b) classificação automática da intensidade da fissura por um programa implementado por computador para reconhecimento de padrões por meio de uma rede neural artificial treinada, compreendendo 1) a entrada da imagem digital ou uma ou mais subáreas da imagem digital para a rede neural artificial treinada como dados de entrada, 2) classificação pela rede neural artificial, atribuindo um grau da escala predeterminada de graus de intensidade da fissura para a imagem digital ou uma ou mais subáreas e 3) saída do grau ou graus atribuídos para a imagem digital e/ou as uma ou mais subáreas como dados de saída, em que a rede neural artificial é treinada com antecedência em uma fase de aprendizagem com uma pluralidade de imagens digitais ou suas subáreas de porções de superfície de folha polimérica, cujos graus na escala predeterminada são conhecidos e cobrem todos os graus da escala predeterminada. o método permite uma avaliação confiável, rápida e não destrutiva das fissuras em folhas poliméricas no local de instalação e não requer operação por uma pessoa especificamente treinada.

Description

AVALIAÇÃO DE FISSURA DE MEMBRANA DE TELHADO POR REDES NEURAIS ARTIFICIAIS DESCRIÇÃO CAMPO DA TÉCNICA

[0001] A invenção refere-se a um método para avaliar a intensidade da fissura em uma folha polimérica, tal como uma membrana de telhado, por meio de um dispositivo óptico para gravar imagens digitais e uma rede neural artificial e um sistema para realizar o método.

FUNDAMENTOS DA INVENÇÃO

[0002] Sob exposição externa de longo prazo de materiais poliméricos, como membranas de telhados, fissuras na superfície aparecerão e, eventualmente, levarão à falha do produto.

[0003] Ao inspecionar um telhado, é portanto um procedimento padrão avaliar a intensidade da fissura na superfície das membranas. Da mesma forma, o resultado do intemperismo artificial é avaliado desta forma, conforme documentado na DIN EN 13956, seção 5.2.16. Até agora, a intensidade da fissura é avaliada por uma pessoa treinada de acordo com uma escala definida na DIN EN 1297, Anexo B, Tabela B.1. A escala varia de 0 (sem fissuras) a 3 (fissuras largas e profundas), onde o valor 3 significa que o produto deve ser considerado danificado.

[0004] Uma vez que uma pessoa treinada deve atribuir de forma confiável os padrões de fissura observados a um grau de intensidade da fissura, esta avaliação não pode ser feita no local. Ao invés disso, amostras da membrana são cortadas e enviadas para uma pessoa especificamente treinada para a avaliação. Este é um procedimento complicado e requer conserto do telhado após a coleta da amostra. Uma vez que o resultado determina medidas de renovação de telhado muito caras, não é possível confiar a uma pessoa não treinada essa avaliação da fissura. Além disso, essa abordagem está sujeita a erros, uma vez que a distribuição das fissuras em um telhado pode ser desigual.

[0005] Uma vez que a avaliação de fissuras é a base para a decisão sobre uma restauração total do telhado, os problemas mencionados acima podem resultar em reparos desnecessários, ou podem resultar na prevenção de reparos que sejam necessários, com danos subsequentes por vazamento de água. No caso de não haver uma pessoa treinada disponível, por exemplo, devido a doença ou férias,

etc., nenhuma avaliação significativa pode ser feita. A este respeito, deve-se notar que existe apenas um número relativamente pequeno de pessoas treinadas que são capazes de realizar uma avaliação confiável da fissura.

SUMÁRIO DA INVENÇÃO

[0006] Era um objetivo da presente invenção superar essas desvantagens da técnica anterior. Em particular, era um objetivo da presente invenção fornecer um método para avaliar a intensidade da fissura em uma folha polimérica, que é confiável, rápido e não destrutivo e não requer operação por uma pessoa especificamente treinada. Além disso, o método deve permitir a implementação no local no qual a folha polimérica está instalada.

[0007] Surpreendentemente, foi descoberto que o objeto acima poderia ser resolvido por uma avaliação automatizada de fissuras com base em um aparelho para gravar imagens digitais em combinação com uma rede neural artificial treinada. Preferencialmente, o método também inclui o uso de um dispositivo de aumento óptico adequado, como um microscópio, para fornecer imagens ampliadas para inspeção.

[0008] Em conformidade, a presente invenção fornece um método para avaliar a intensidade da fissura em uma folha polimérica com base em uma escala predeterminada de graus de intensidade da fissura, compreendendo as etapas de a) gravar uma imagem digital de pelo menos uma porção de uma superfície da folha polimérica usando um aparelho para gravar imagens digitais; e b) classificar automaticamente a intensidade da fissura por um programa implementado por computador para reconhecimento de padrões por meio de uma rede neural artificial treinada, compreendendo 1) inserir a imagem digital ou uma ou mais subáreas da imagem digital para a rede neural artificial treinada como dados de entrada, 2) classificar pela rede neural artificial atribuindo um grau da escala predeterminada de graus de intensidade da fissura para a imagem digital ou uma ou mais subáreas e 3) produzir a nota ou notas atribuídas para a imagem digital e/ou as uma ou mais subáreas como dados de saída, em que a rede neural artificial é treinada com antecedência em uma fase de aprendizagem com uma pluralidade de imagens digitais ou subáreas das porções de superfície de folha polimérica, cujos graus na escala predeterminada são conhecidos e cobrem todos os graus da escala predeterminada e em que a folha polimérica é uma membrana de cobertura ou uma membrana de vedação.

[0009] Surpreendentemente, a condição da fissura de uma folha polimérica, como uma membrana de telhado, pode ser avaliada com segurança por uma rede neural artificial treinada. A operação por uma pessoa especificamente treinada não é necessária para a aplicação do método. Uma vez que a fase de aprendizagem for concluída com sucesso, o sistema pode ser entregue a qualquer pessoa que seja capaz de tirar fotos da superfície afetada, por exemplo, em um telhado.

[0010] O método é confiável e não destrutivo. Com o desempenho dos processadores padrão atuais, os resultados podem ser obtidos em poucos segundos. O método inventivo não requer dados parametrizados da imagem digital a serem avaliados em relação à intensidade da fissura.

[0011] A invenção se refere adicionalmente a um sistema para avaliar a intensidade da fissura em uma folha polimérica com base em uma escala predeterminada de graus de intensidade da fissura, em que o sistema compreende A) um aparelho para gravar imagens digitais; e B) um dispositivo de processamento de dados que compreende meios para realizar a etapa b) do método inventivo.

[0012] As modalidades preferenciais são definidas nas reivindicações dependentes.

BREVE DESCRIÇÃO DAS FIGURAS

[0013] A Fig. 1 representa uma imagem da superfície de uma membrana de cobertura monocamada com quase nenhuma fissura: grau 0 na escala de intensidade da fissura usada no exemplo.

[0014] A Fig. 2 representa uma imagem da superfície de uma membrana de cobertura monocamada com um número de fissuras moderado: grau 1 na escala predeterminada de graus de intensidade da fissura usada no exemplo.

[0015] A Fig. 3 representa uma imagem da superfície de uma membrana de cobertura monocamada com um alto número de fissuras profundas e largas: grau 2 na escala predeterminada de graus de intensidade da fissura usada no exemplo.

[0016] A Fig. 4 representa uma imagem da superfície de uma membrana de cobertura monocamada. Uma região de imagem localizada entre o quadro de foco da imagem digital e as margens menos nítidas da imagem digital é decomposta em uma matriz de subáreas na forma de blocos.

[0017] A Fig. 5 representa uma imagem da superfície de uma membrana de cobertura monocamada com um grau atribuído para a imagem digital de 0 na escala predeterminada.

[0018] A Fig. 6 representa uma imagem da superfície de uma membrana de cobertura monocamada com um grau atribuído para a imagem digital de 2 na escala predeterminada.

[0019] A Fig. 7 representa uma imagem da superfície de uma membrana de cobertura monocamada com um grau atribuído para a imagem digital de 2 na escala predeterminada.

[0020] A Fig. 8 representa uma imagem da superfície de uma membrana de cobertura monocamada com um grau atribuído para a imagem digital de 1 na escala predeterminada.

[0021] A Fig. 9 é um esquema de representação exemplificativo que ilustra o princípio de uma rede neural artificial.

DESCRIÇÃO DETALHADA DA INVENÇÃO

[0022] A seguinte descrição relacionada ao método inventivo também se aplica ao sistema inventivo, quando aplicável e vice-versa.

[0023] A presente invenção fornece um método para avaliar a intensidade da fissura em uma folha polimérica com base em uma escala predeterminada de graus de intensidade da fissura.

[0024] A folha polimérica é uma membrana de cobertura, em particular uma membrana de cobertura monocamada, ou uma membrana de vedação, em particular uma membrana impermeabilizante, em que a folha polimérica é preferencialmente feita de um material termoplástico ou termoendurecível.

[0025] Uma folha polimérica preferencial, em particular uma membrana de cobertura monocamada, feita de um material termoplástico é uma membrana de cloreto de polivinila (PVC), uma membrana de olefina termoplástica (TPO) ou uma membrana de éster etileno de cetona (KEE). Uma folha polimérica preferencial, em particular membrana de cobertura monocamada, feita de um material termoendurecido, é uma membrana de monômero de etileno propileno dieno (EPDM).

[0026] A espessura da folha polimérica pode depender da aplicação e qualidade desejadas. Por exemplo, a espessura da folha polimérica pode estar no intervalo de 0,75 mm a 2,5 mm, preferencialmente de 1,2 a 2,0 mm, em particular para uma membrana de cobertura monocamada.

[0027] A avaliação da intensidade da fissura em uma folha polimérica é baseada em uma escala predeterminada de graus de intensidade da fissura. As notas da escala referem-se a uma classificação gradativa das intensidades da fissura, desde ausência ou baixa intensidade da fissura até intensidade da fissura muito alta. Qualquer escala de graus de intensidade da fissura, que foi estabelecida com antecedência pode ser usada. A escala predeterminada é preferencialmente uma escala padronizada. Embora a escala predeterminada inclua pelo menos dois graus, a escala inclui preferencialmente três, quatro, cinco ou mais graus.

[0028] Em uma modalidade preferencial, a escala definida em DIN EN 1297: 2004-12, Anexo B, Tabela B.1, com graus de 0 a 3 ou uma seleção desses graus é usada como a escala predeterminada para os graus de intensidade da fissura. As folhas poliméricas exibindo um grau 3 são consideradas danificadas e geralmente um reparo ou substituição é necessário.

[0029] A escala fornecida no padrão DIN EN 1297:2004-12 na verdade, refere-se a revestimentos finos, mas também é adequada para folhas poliméricas, que geralmente têm uma espessura maior, a que se refere à presente invenção. A escala fornecida em DIN EN 1297 está relacionada ao julgamento de uma pessoa experiente e normalmente não é quantificada. Para esta escala, a intensidade da fissura e uma estimativa aproximada das dimensões das fissuras observadas para folhas poliméricas é a seguinte: Grau 0: essencialmente sem fissuras Grau 1: fissuras planas e fracas (normalmente fissuras com menos de 10 µm de largura e profundidade estão presentes) Grau 2: fissuras moderadas a pronunciadas (normalmente fissuras de mais de 10 µm e menos de 100 µm de largura e profundidade estão presentes) Grau 3 fissuras largas e profundas (normalmente fissuras com mais de 100 µm de largura e profundidade estão presentes)

[0030] Embora a escala predeterminada possa incluir, preferencialmente, todas as notas definidas em DIN EN 1297:2004-12, Anexo B, Tabela B.1, também é possível usar uma seleção desses graus como a escala predeterminada para os graus de intensidade da fissura, por exemplo, uma escala incluindo apenas os graus 0, 2 e 3 ou graus 1, 2 e 3, conforme definido em DIN EN 1297:2004-12. Uma seleção limitada de classes pode ser adequada, se, por exemplo, apenas as classes selecionadas forem relevantes para a folha polimérica inspecionada. Outras escalas de classificação também são tecnicamente possíveis.

[0031] O método inventivo inclui a etapa de a) gravar uma imagem digital de pelo menos uma porção de uma superfície da folha polimérica usando um aparelho para gravar imagens digitais. A imagem digital pode ser de toda a superfície da folha polimérica ou preferencialmente de uma porção da superfície da folha polimérica. Deve ser evidente que a imagem digital é geralmente uma imagem de vista superior da superfície da folha polimérica.

[0032] Em uma modalidade preferencial, a folha polimérica é uma folha polimérica instalada e a imagem digital é gravada no local de instalação. Uma vez que o programa de reconhecimento de padrões pode ser implementado em um dispositivo portátil de processamento de dados, a classificação automática da intensidade da fissura também pode ser realizada no local de instalação. Alternativamente, a classificação automática da intensidade da fissura pode ser efetuada em um local diferente onde o dispositivo de processamento de dados está localizado.

[0033] De acordo com a técnica anterior, uma porção da folha polimérica é cortada do local de instalação e enviada para outro local para análise. A parte removida deve ser substituída. Um benefício da presente invenção é que o método não é destrutivo.

[0034] Em uma modalidade preferencial, a imagem digital é uma imagem ampliada da parte da superfície da folha polimérica. A ampliação está preferencialmente no intervalo de 5 a 50, mais preferencialmente de 8 a 30 ou 10 a 30, mais preferencialmente aproximadamente 10. A modalidade mais preferencial é dada ao tirar fotografias de superfícies fendidas com uma ampliação de 10 vezes, de modo a estar em conformidade com DIN EN 13956 e DIN EN 1297. No entanto, qualquer outra ampliação também é tecnicamente possível.

[0035] A área da superfície da folha polimérica ou da porção da superfície da folha polimérica, respectivamente, a partir da qual a imagem digital é tirada pode variar, mas é preferencialmente uma área de pelo menos 100 cm 2, por exemplo, uma área de pelo menos pelo menos 10 cm x 10 cm, da superfície da folha polimérica. Um subzona da imagem digital usada para avaliação, conforme discutido abaixo, representa preferencialmente uma área de pelo menos 100 mm 2, por exemplo, uma área de pelo menos 10 mm x 10 mm, da superfície da folha polimérica. O termo área se refere a uma área real da folha polimérica, ou seja, não ampliada.

[0036] A imagem digital gravada pode ser usada como dados de entrada para a próxima etapa da classificação automática. Alternativamente, uma ou mais subáreas da imagem digital gravada podem ser usadas como dados de entrada para a etapa seguinte de classificação automática.

[0037] O uso de uma pluralidade de subáreas em vez de toda a imagem digital pode fornecer resultados estatisticamente mais confiáveis, uma vez que as fissuras de amplitude e profundidade variadas podem ser distribuídas de forma desigual na imagem digital. Além disso, as imagens digitais geralmente incluem regiões de imagem de qualidade de imagem diferente, de modo que é possível selecionar subáreas de qualidade de imagem superior que podem melhorar os resultados da avaliação. Por exemplo, sabe-se que em geral o quadro de foco e as margens da imagem digital representam regiões de qualidade de imagem inferior em comparação com outras regiões da imagem digital.

[0038] Em uma modalidade preferida, uma pluralidade de subáreas da imagem digital é gerada pela decomposição de uma região de imagem localizada entre o quadro de foco da imagem digital e as margens da imagem digital em uma série de subáreas.

[0039] A pluralidade de subáreas é gerada preferencialmente por coberturas de telhas, isto é, é gerada uma série de subáreas em forma de coberturas de telhas espaçadas umas das outras.

[0040] Quando uma pluralidade de subáreas da imagem digital é usada, a pluralidade de subáreas é preferencialmente pelo menos 20, mais preferencialmente pelo menos 75 subáreas da imagem digital e preferencialmente não mais do que 500, mais preferencialmente não mais do que 200 subáreas.

[0041] A geração de subáreas de uma imagem digital em um padrão desejado é convencional para um versado na técnica. Programas comerciais para gerar tais subáreas ou matriz de subáreas de acordo com um padrão desejado estão disponíveis. Se uma ou mais subáreas são usadas de acordo com o método, as subáreas são geradas dos dados de imagem recebidos da etapa a) e as subáreas obtidas são usadas como dados de entrada para a classificação automática na etapa b).

[0042] O método inventivo inclui adicionalmente a etapa b) de classificação automática da intensidade da fissura por um programa implementado por computador para reconhecimento de padrão por meio de uma rede neural artificial treinada, compreendendo 1) inserir a imagem digital ou uma ou mais subáreas da imagem digital para a rede neural artificial treinada como dados de entrada, 2) classificar pela rede neural artificial atribuindo um grau da escala predeterminada de graus de intensidade da fissura para a imagem digital ou uma ou mais subáreas e 3) produzir a nota ou notas atribuídas para a imagem digital e/ou as uma ou mais subáreas como dados de saída.

[0043] Uma rede neural artificial é um programa de computador autoadaptativo que pode ser treinado para certas tarefas, como reconhecimento de padrões. O programa contém a opção de criar e alterar conexões entre uma entrada e uma saída. No final, após um treinamento adequado, o programa pode conectar entradas (padrões ópticos) com saída (classificação).

[0044] Uma rede neural artificial é baseada em uma coleção de unidades conectadas ou nós chamados neurônios artificiais. Cada conexão entre neurônios artificiais pode transmitir um sinal de um para o outro. O neurônio artificial que recebe o sinal pode processá-lo e sinalizar os neurônios artificiais conectados a ele. Em implementações comuns de redes neurais artificiais, o sinal em uma conexão entre neurônios artificiais é um número real, e a saída de cada neurônio artificial é calculada por uma função não linear da soma de suas entradas. Neurônios e conexões artificiais normalmente têm um peso que se ajusta à medida que o aprendizado avança. Portanto, esquematicamente, uma rede neural artificial inclui uma camada de entrada, uma camada de saída e uma ou mais camadas ocultas, em que uma análise autoadaptativa é realizada. A Fig. 9 ilustra o princípio esquematicamente.

[0045] Os princípios das redes neurais artificiais são conhecidos pelo versado na técnica. Detalhes desta tecnologia e aplicações podem ser encontrados, por exemplo, em SC Wang, 2003, Artificial Neural Network, Interdisciplinary Computing in Java Programming, The Springer International Series in Engineering and Computer Science, Vol. 743 e N. Gupta, 2013, Artificial Neural Network, Network and Complex Systems, Vol. 3, No. 1, pp. 24-28.

[0046] Redes neurais artificiais estão disponíveis comercialmente. Um exemplo é o programa Watson desenvolvido pela IBM.

[0047] Até agora, as redes neurais artificiais são normalmente usadas para entradas que podem ser fornecidas em uma forma matemática. Por exemplo, uma rede neural artificial foi usada para previsão de carga elétrica, ver DC Park et al., 1991, IEEE Transactions on Power Engineering, vol. 6, páginas 442-449, ou para a avaliação do desenho das formas do telhado, fornecidas como uma entrada geométrica, ver K. Sasaki, K. Tsutsumi, Kansei Engineering International, 2006, vol. 6, nº 3, páginas 13-18.

[0048] Uma característica específica da presente invenção é que a rede neural artificial é treinada por comparação direta de imagens ou subáreas digitais, que não são parametrizadas, em particular os dados de entrada para a rede neural artificial são dados que não são parametrizados. Uma vez que as fissuras têm formatos aleatórios e amplamente variáveis, foi surpreendente que resultados confiáveis foram obtidos para a avaliação de fissuras.

[0049] A rede neural artificial é treinada com antecedência em uma fase de aprendizagem com uma pluralidade de imagens digitais ou subáreas dela de porções de superfície de folha polimérica, cujos graus na escala predeterminada são conhecidos e cobrem todos os graus da escala predeterminada.

[0050] Como para todas as aplicações que usam uma rede neural artificial, uma fase de aprendizado é necessária para treinar as redes neurais artificiais antes que a rede neural artificial seja adequada para a aplicação prática. Na fase de aplicação, a rede neural artificial treinada realiza automaticamente a classificação da intensidade da fissura com base na escala pré-determinada fornecida e na entrada de dados digitais fornecidos.

[0051] Os paradigmas de aprendizagem usados para redes neurais artificiais são aprendizagem supervisionada, aprendizagem não supervisionada ou aprendizagem por reforço, em que a aprendizagem supervisionada é preferencial. A fase de aprendizagem é preferencialmente baseada em um feedback direto de uma pessoa treinada.

[0052] Em uma modalidade preferencial, a fase de aprendizagem compreende - uma fase de treinamento onde uma pluralidade de imagens digitais ou subáreas das mesmas são inseridas na rede neural artificial e a rede neural artificial é fornecida com o grau conhecido de cada uma das imagens digitais como feedback, e - uma fase de teste em que as redes neurais artificiais classificam uma pluralidade de imagens digitais ou subáreas das mesmas e os graus atribuídos pelas redes neurais artificiais são comparados com os graus conhecidos das imagens digitais para determinar uma probabilidade de correspondência, e - opcionalmente repetir a fase de treinamento e a fase de teste até que a probabilidade de correspondência desejada seja atingida.

[0053] É preferencial usar pelo menos 100 imagens digitais para a fase de aprendizagem, em particular cada uma de uma folha polimérica diferente. Uma proporção das imagens digitais usadas, por exemplo, uma proporção de cerca de 85 a 65%, é usado para a fase de treinamento, e uma proporção das imagens digitais usadas, por exemplo, uma proporção de cerca de 15 a 35%, é usado para a fase de teste, com base no número total de imagens usadas na fase de aprendizagem. Uma razão apropriada para as referidas razões é, por exemplo, cerca de 75% das imagens para a fase de treinamento e cerca de 25% das imagens para a fase de teste.

[0054] Se a probabilidade de correspondência desejada não for alcançada após um primeiro ciclo de aprendizagem, a fase de treinamento e a fase de teste podem ser repetidas uma ou mais vezes até que a probabilidade de correspondência desejada seja alcançada. É evidente que por um segundo e qualquer outro ciclo de aprendizagem imagens digitais e/ou devem ser usadas subáreas de imagens digitais diferentes das usadas nos ciclos de aprendizagem anteriores, a fim de evitar redundâncias. Para mais um ciclo de aprendizagem, a quantidade de imagens digitais e/ou as subáreas podem ser apropriadamente menores ou iguais ao número de imagens digitais e/ou subáreas usadas no primeiro ciclo de aprendizagem.

[0055] A probabilidade de correspondência alcançada após a fase de aprendizagem é preferencialmente pelo menos 70%, mais preferencialmente pelo menos 80%.

[0056] Portanto, a rede neural artificial pode ser treinada em uma fase de aprendizagem que compreende as seguintes etapas: 1) Fornecer pelo menos 100 amostras representativas de membrana com diferentes intensidades de trinca, cobrindo todos os graus de trinca relevantes, por exemplo, graus 0, 1, 2, 3, de acordo com DIN EN 1297; 2) Usar um microscópio com ampliação de 10 vezes para tirar fotos dessas amostras e alimentar as fotos na rede neural artificial; 3) Treinar a rede neural artificial alimentando a classificação da fissura atribuída da pessoa treinada para cada imagem na rede neural artificial; 4) Verificar a probabilidade de correspondência avaliando uma certa quantidade de amostras pela pessoa treinada e a rede neural artificial em paralelo e comparando o resultado; 5) Estender este procedimento e tamanho da amostra de treinamento, até uma probabilidade de correspondência predefinida (por exemplo, >80% acordo entre a pessoa treinada e a rede neural artificial).

[0057] Em particular, o aparelho para gravar imagens digitais é um dispositivo óptico para gravar imagens digitais. Portanto, as imagens digitais gravadas pelo dispositivo óptico são imagens ópticas digitalizadas, ou seja, representações digitais de imagens ópticas. O termo "óptico" refere-se a aplicações no intervalo de luz visível.

[0058] Preferencialmente, o aparelho para gravar imagens digitais é portátil. O aparelho para gravar imagens digitais é preferencialmente uma câmera digital ou um dispositivo ótico de ampliação incluindo um sensor de imagem, em que um dispositivo ótico de ampliação incluindo um sensor de imagem é preferencial. Em princípio, um smartphone ou um tablet também pode ser usado como aparelho para gravar imagens digitais. O dispositivo de ampliação óptico é preferencialmente um microscópio incluindo um sensor de imagem. O aparelho para gravar imagens digitais geralmente inclui uma unidade de processamento para transformar os sinais do sensor de imagem em dados eletrônicos da imagem digital e,

opcionalmente, uma unidade de armazenamento para armazenar as imagens digitais gravadas.

[0059] O aparelho para gravar imagens digitais é geralmente fornecido com meios para transferir a imagem digital gravada ou imagem digital ampliada gravada para uma ou mais unidades de processamento em que o programa para reconhecimento de padrão e opcionalmente um programa para gerar subáreas da imagem digital é implementado. O meio para transferir os dados pode ser uma conexão com fio comum, por exemplo, um cabo USB ou uma conexão sem fio. Portanto, a transferência de dados entre o aparelho para gravar imagens digitais e o dispositivo de processamento de dados pode ser efetuada por conexão com fio ou sem fio. Também é possível que o aparelho para gravar imagens digitais e o dispositivo de processamento de dados estejam localizados no mesmo dispositivo, por exemplo, um smartphone ou um tablet.

[0060] O programa de reconhecimento de padrões é implementado por computador, por exemplo, em um smartphone, um tablet, um laptop ou um computador pessoal.

[0061] Em uma modalidade preferencial, o aparelho para gravar imagens digitais é um dispositivo de ampliação óptico incluindo um sensor de imagem, preferencialmente um microscópio incluindo um sensor de imagem, e é fornecido com meios para transferir a imagem digital gravada ou imagem digital ampliada para um smartphone, um tablet, um laptop ou um computador pessoal.

[0062] Se uma ou mais subáreas da imagem digital forem usadas para o método inventivo, um programa é usado para gerar uma ou mais subáreas. O programa para gerar subáreas da imagem digital é implementado por computador, por exemplo, em um smartphone, um tablet, um laptop ou um computador pessoal, que pode ser o mesmo no qual o programa de reconhecimento de padrão é implementado ou um diferente.

[0063] É preferencial que a imagem digital seja gravada com uma distância de gravação padronizada e condições de luz padronizadas. Em uma modalidade preferencial particular, o aparelho para gravar imagens digitais, preferencialmente o dispositivo de ampliação óptico incluindo um sensor de imagem, em particular o microscópio incluindo um sensor de imagem, é, portanto, configurado para gravar a imagem digital com uma distância de gravação padronizada e condições de luz padronizadas. Esta distância de gravação padronizada e as condições de luz padronizadas podem ser predeterminadas em conexão com a escala predeterminada usada.

[0064] Essas condições predefinidas são vantajosas para gravar imagens em condições comparáveis, de modo que o aparecimento de fissuras na imagem digital não seja afetado por diferentes condições de gravação. Isso permite uma avaliação aprimorada de fissuras.

[0065] Além disso, muitas membranas de cobertura são altamente refletivas, o que também pode afetar a qualidade da imagem. Portanto, em uma modalidade preferencial, o aparelho para gravar imagens digitais é configurado para proteger a porção da folha polimérica a ser gravada de fontes de luz externas, como luz solar, e inclui uma fonte de luz interna para iluminar a porção da folha polimérica a ser gravado com condições de luz padronizadas.

[0066] Um exemplo de um aparelho adequado para gravar imagens digitais é o minimicroscópio W5 Wifi, que pode ser obtido na Ostec Electronics. O minimicroscópio W5 Wifi é portátil, pode gravar imagens digitais ampliadas e transmitir os dados para qualquer dispositivo de processamento de dados desejado por conexão com fio ou sem fio. Além disso, o minimicroscópio W5 Wifi é configurado para garantir condições de luz definidas e uma distância definida para a folha. O referido microscópio inclui meios para proteger as fontes de luz externas e é fornecido com fontes de luz internas.

[0067] Se a modalidade da invenção for usada, onde uma pluralidade de subáreas da imagem digital são inseridas na rede neural artificial, a rede neural artificial atribui um grau da escala predeterminada para cada uma das subáreas por processamento paralelo ou subsequente. O grau ou grau geral da imagem digital é determinado, preferencialmente, dos graus atribuídos a cada subárea, atribuindo- se a nota à imagem digital que corresponde à nota a que é atribuído o maior número de subáreas. Normalmente, a grande maioria das subáreas de uma imagem digital é atribuída a um determinado grau.

[0068] O método pode ser repetido uma ou mais vezes com uma ou mais imagens digitais adicionais registradas de uma ou mais porções da superfície da folha polimérica em diferentes locais da folha polimérica. Isso pode ser adequado para verificar o resultado alcançado ou para obter informações mais detalhadas sobre a intensidade da fissura da folha polimérica.

[0069] A invenção também se refere a um sistema para avaliar a intensidade da fissura em uma folha polimérica com base em uma escala predeterminada de graus de intensidade da fissura, em que o sistema compreende A) um aparelho para gravar imagens digitais; e B) um dispositivo de processamento de dados que compreende meios para realizar a etapa b) do método inventivo.

[0070] Detalhes sobre o aparelho para gravar imagens digitais e sobre o dispositivo de processamento de dados foram dados acima em relação ao método inventivo para que seja feita referência aos mesmos.

[0071] Em particular, o aparelho para gravar imagens digitais é um dispositivo óptico para gravar imagens digitais.

[0072] Em uma modalidade preferencial, o aparelho para gravar imagens digitais é uma câmera digital ou um dispositivo de ampliação óptico incluindo um sensor de imagem, preferencialmente um microscópio incluindo um sensor de imagem, em que o aparelho para gravar imagens digitais é fornecido com meios para transferir a imagem digital gravada ou imagem digital ampliada para o dispositivo de processamento de dados.

[0073] Em uma modalidade preferencial, o aparelho para gravar imagens digitais é configurado para gravar a imagem digital com uma distância de gravação padronizada e condições de luz padronizadas.

[0074] Conforme discutido acima, o dispositivo de processamento de dados é preferencialmente um smartphone, um tablet, um laptop ou um computador pessoal.

[0075] As figuras anexas e os seguintes exemplos são dados para explicação adicional da invenção, que, no entanto, não está limitada às modalidades dos exemplos.

EXEMPLOS

[0076] Uma prova de conceito para o método inventivo foi realizada avaliando a intensidade da fissura em um número de amostras de membrana de cobertura monocamada.

[0077] Uma vez que a escala predeterminada de graus de intensidade da fissura, uma seleção dos graus conforme definido em DIN EN 1297:2004-12, Anexo

B, Tabela B.1, foi usada. A escala usada inclui notas de 0, 1 e 2 que correspondem às notas 0, 2 e 3, respectivamente, da escala conforme definido em DIN EN 1297:2004-12, Anexo B, Tabela B.1.

[0078] No que diz respeito à escala para a intensidade de rachadura usada, a Fig. 1 representa uma imagem de uma membrana de cobertura monocamada tendo um grau de 0, a Fig. 2 representa uma imagem de uma membrana de cobertura monocamada tendo um grau de 1, e a Fig. 3 representa uma imagem de uma membrana de cobertura monocamada tendo um grau de 2.

[0079] As imagens digitais de amostras de membrana de cobertura monocamada foram registradas usando um minimicroscópio portátil W5 Wifi da Ostec Electronics. Um computador pessoal convencional foi utilizado como dispositivo de processamento de dados no qual um programa comum para reconhecimento de padrões por meio de uma rede neural artificial e um programa convencional para geração de subáreas de uma imagem digital são implementados. A transferência dos dados de uma imagem digital gravada do microscópio para o computador pessoal é feita por meio de uma conexão sem fio.

[0080] Um total de 119 amostras de membrana de cobertura monocamada foram usadas no teste, todas classificadas por uma pessoa treinada com base na escala usada. Portanto, o grau de todas as amostras usadas é conhecido.

[0081] Uma imagem digital foi obtida para cada amostra com o minimicroscópio W5 Wifi com uma distância de gravação predeterminada e condições de luz predeterminadas e uma ampliação de 10 vezes. Cada imagem digital gravada foi transferida para o computador pessoal e submetida a uma geração de uma série de subáreas pelo programa de geração de subáreas de uma imagem digital por coberturas de telhas.

[0082] A matriz de subáreas está localizada em uma região da imagem entre o quadro de foco no centro da imagem digital e as margens da imagem digital e é composta por 93 subáreas em forma de blocos por imagem digital. O padrão da matriz de coberturas de telhas é mostrado na Fig. 4. Na Fig. 4 a região no quadro de foco no centro da imagem digital e as regiões das margens da imagem exibem qualidade de imagem inferior, enquanto a região em que as subáreas estão localizados exibe uma boa qualidade de imagem.

[0083] Cada imagem digital registrada representa uma área de pelo menos

100 cm2 da folha polimérica. Cada subárea representa uma área de pelo menos 100 mm2 da folha polimérica.

[0084] A tabela 1 a seguir resume o número de imagens digitais, que correspondem ao número de amostras de membrana de cobertura monocamada utilizadas, e o número de telhas (subáreas) obtidas a partir das mesmas, juntamente com os graus de cada amostra da escala predeterminada, que foi atribuída pela pessoa treinada. Tabela 1 Número de imagens Número de coberturas de grau digitais telhas 0 31 2883 1 48 4464 2 39 3627 Total 119 11067

[0085] O procedimento geral para processamento é o seguinte. Cada bloco de uma imagem digital é inserido na rede neural artificial como dados de entrada, onde cada bloco é processado subsequentemente. Para a classificação, a rede neural artificial atribui um grau de 0, 1 ou 2 para cada cobertura de telha como dados de saída.

[0086] O grau da imagem digital e, portanto, da folha polimérica é então determinado dos graus atribuídos a cada cobertura de telha como o grau ao qual é atribuído o maior número de subáreas.

[0087] Uma vez que a rede neural artificial usada não é uma rede neural artificial treinada, os testes realizados representam na verdade a fase de aprendizagem da rede neural artificial.

[0088] Consequentemente, o conjunto de dados conforme fornecido na Tabela 1 acima é dividido em dados para uma fase de treinamento e dados para uma fase de teste. As primeiras 10 imagens digitais de cada série foram usadas para a fase de teste, ou seja, um total de 30 imagens (cerca de 25% do total de imagens). As demais imagens digitais foram usadas na fase de treinamento da rede neural artificial (89 imagens, cerca de 75% do total das imagens).

[0089] A fase de aprendizado começa com a fase de treinamento, na qual as subáreas das imagens digitais fornecidas para a fase de treinamento são inseridas na rede neural artificial. Durante a fase de treinamento, a rede neural artificial também recebe o grau conhecido de cada imagem digital como feedback. Conforme indicado acima, a nota é conhecida porque foi atribuída pela pessoa treinada.

[0090] Após a fase de treinamento, uma fase de teste foi conduzida, na qual as subáreas das imagens digitais fornecidas para a fase de teste são inseridas na rede neural artificial. Para cada imagem digital, a nota atribuída pelo especialista e a nota atribuída pela rede neural artificial foram comparadas, e a presença ou ausência de correspondência é anotada.

[0091] A correspondência para cada nota na fase de teste é mostrada na Tabela 2. Tabela 2 Grau atribuído 0* 1* 2* 01 100% 0% 0% 11 0% 100% 0% 21 0% 10% 90% 1atribuído pela rede neural artificial; *atribuído pela pessoa treinada

[0092] A probabilidade de correspondência resultante foi de 96,7%, o que é uma probabilidade de correspondência muito boa para que a fase de aprendizagem possa ser concluída. Não é necessária a repetição da fase de aprendizagem. A rede neural artificial é treinada de maneira suficiente.

[0093] As Fig. 5 a 8 são exemplos de imagens digitais de amostras de folhas poliméricas e atribuições de classificação de subáreas pela rede neural artificial obtida durante a fase de teste. A omissão do canto superior esquerdo nessas imagens é um artefato. Os referidos cantos foram omitidos porque incluem informações escritas nas imagens digitais.

[0094] A Fig. 5 é uma imagem digital de uma folha polimérica à qual foi atribuído um grau 0 pela pessoa treinada. A rede neural artificial atribuiu a cerca de 68% dos coberturas de telhas com um grau 0, e cerca de 32% dos coberturas de telhas com um grau 1. Em conformidade, a rede neural artificial atribuiu à imagem digital geral um grau 0 (ou seja, esse grau ao qual o maior número de subáreas é atribuído pela rede neural artificial) que corresponde ao grau determinado pela pessoa treinada.

[0095] A Fig. 6 é uma imagem digital de uma folha polimérica à qual foi atribuído um grau 2 pela pessoa treinada. A rede neural artificial atribuiu a todos os blocos uma nota 2. Em conformidade, a rede neural artificial atribuiu à imagem digital uma nota 2, que corresponde à nota determinada pela pessoa treinada.

[0096] A Fig. 7 é uma imagem digital de uma folha polimérica à qual foi atribuído um grau 2 pela pessoa treinada. A rede neural artificial atribuiu cerca de 96% dos blocos com um grau 2, e cerca de 4% dos coberturas de telhas com um grau 1. Consequentemente, a rede neural artificial atribuiu à imagem digital um grau 2 que corresponde ao grau determinado pela pessoa treinada.

[0097] A Fig. 8 é uma imagem digital de uma folha polimérica à qual foi atribuído um grau 1 pela pessoa treinada. A rede neural artificial atribuiu a todos os coberturas de telhas um grau 1. Em conformidade, a rede neural artificial atribuiu à imagem digital um grau 1 que corresponde ao grau determinado pela pessoa treinada.

Claims

REIVINDICAÇÕES

1. Método para avaliar a intensidade da fissura em uma folha polimérica com base em uma escala predeterminada de graus de intensidade da fissura, caracterizado pelo fato de que compreende as etapas de a) gravar uma imagem digital de pelo menos uma porção de uma superfície da folha polimérica usando um aparelho para gravar imagens digitais; e b) classificar automaticamente a intensidade da fissura por um programa implementado por computador para reconhecimento de padrões por meio de uma rede neural artificial treinada, compreendendo 1) inserir a imagem digital ou uma ou mais subáreas da imagem digital para a rede neural artificial treinada como dados de entrada, 2) classificar pela rede neural artificial atribuindo um grau da escala predeterminada de graus de intensidade da fissura para a imagem digital ou uma ou mais subáreas e 3) produzir a nota ou notas atribuídas para a imagem digital e/ou as uma ou mais subáreas como dados de saída, em que a rede neural artificial é treinada com antecedência em uma fase de aprendizagem com uma pluralidade de imagens digitais ou subáreas das porções de superfície de folha polimérica, cujos graus na escala predeterminada são conhecidos e cobrem todos os graus da escala predeterminada e em que a folha polimérica é uma membrana de cobertura ou uma membrana de vedação.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o aparelho para gravar imagens digitais é um dispositivo óptico para gravar imagens digitais.

3. Método, de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que a folha polimérica é uma membrana de cobertura monocamada.

4. Método, de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que a folha polimérica é uma folha polimérica instalada e a imagem digital é gravada no local de instalação.

5. Método, de acordo com qualquer uma das reivindicações 1 a 4, caracterizado pelo fato de que a imagem digital é uma imagem ampliada da porção da superfície da folha polimérica, em que a ampliação preferencialmente varia de 5 a 50, mais preferencialmente de 8 a 30, mais preferencialmente aproximadamente 10.

6. Método, de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo fato de que a escala definida em DIN EN 1297:2004-12, Anexo B, Tabela B.1, com graus de 0 a 3 ou uma seleção desses graus é usada como a escala predeterminada para os graus de intensidade da fissura.

7. Método, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que pelo menos 100 imagens digitais são usadas como a pluralidade de imagens digitais na fase de aprendizagem.

8. Método, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de que a fase de aprendizagem compreende uma fase de treinamento em que uma pluralidade de imagens digitais ou subáreas das mesmas são inseridas na rede neural artificial e a rede neural artificial é fornecida com o grau conhecido de cada uma dessas imagens digitais como feedback, e uma fase de teste em que as redes neurais artificiais classificam uma pluralidade de imagens digitais ou subáreas das mesmas e os graus atribuídos pelas redes neurais artificiais são comparados com os graus conhecidos para determinar uma probabilidade de correspondência, e opcionalmente, repetir a fase de treinamento e a fase de teste até que a probabilidade de correspondência desejada seja atingida.

9. Método, de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que o aparelho para gravar imagens digitais é uma câmera digital ou um dispositivo de ampliação óptico incluindo um sensor de imagem, preferencialmente um microscópio incluindo um sensor de imagem, em que o aparelho para gravar imagens digitais é fornecido com meios para transferir a imagem digital gravada ou imagem digital ampliada para uma ou mais unidades de processamento em que o programa para reconhecimento de padrão e, opcionalmente, um programa para gerar subáreas da imagem digital é implementado, e/ou o programa de reconhecimento de padrões é implementado em um smartphone, um tablet, um laptop ou um computador pessoal.

10. Método, de acordo com qualquer uma das reivindicações 1 a 9, caracterizado pelo fato de que o aparelho para gravar imagens digitais é um dispositivo de ampliação óptico incluindo um sensor de imagem, preferencialmente um microscópio incluindo um sensor de imagem, e é fornecido com meios para transferir a imagem digital gravada ou imagem digital ampliada para um smartphone, um tablet, um laptop ou um computador pessoal.

11. Método, de acordo com qualquer uma das reivindicações 1 a 10, caracterizado pelo fato de que uma pluralidade de subáreas da imagem digital é inserida na rede neural artificial na qual um grau é atribuído a cada uma das subáreas por processamento paralelo ou subsequente e o grau da imagem digital é determinado dos graus atribuídos às subáreas como aquele ao qual o número mais alto de subáreas é atribuído.

12. Método, de acordo com qualquer uma das reivindicações 1 a 11, caracterizado pelo fato de que a pluralidade de subáreas da imagem digital é gerada pela decomposição de uma região de imagem localizada entre o quadro de foco da imagem digital e as margens da imagem digital em uma matriz de subáreas, preferencialmente em ladrilhos, em que a pluralidade de subáreas são, preferencialmente, pelo menos 20 subáreas da imagem digital.

13. Método, de acordo com qualquer uma das reivindicações 1 a 12, caracterizado pelo fato de que o método é repetido uma ou mais vezes com uma ou mais imagens digitais adicionais gravadas de uma ou mais porções da superfície da folha polimérica em diferentes locais da folha polimérica.

14. Sistema para avaliar a intensidade da fissura em uma folha polimérica com base em uma escala predeterminada de graus de intensidade da fissura, caracterizado pelo fato de que compreende A) um aparelho para gravar imagens digitais; e B) um dispositivo de processamento de dados que compreende meios para realizar a etapa b) do método de acordo com qualquer uma das reivindicações 1 a

13.

15. Sistema, de acordo com a reivindicação 14, caracterizado pelo fato de que o aparelho para gravar imagens digitais é um dispositivo óptico para gravar imagens digitais.

16. Sistema, de acordo com a reivindicação 14 ou 15, caracterizado pelo fato de que o aparelho para gravar imagens digitais é uma câmera digital ou um dispositivo de ampliação óptico incluindo um sensor de imagem, preferencialmente um microscópio incluindo um sensor de imagem, em que o aparelho para gravar imagens digitais é fornecido com meios para transferir a imagem digital registrada ou imagem digital ampliada para o dispositivo de processamento de dados, e/ou em que o dispositivo de processamento de dados é um smartphone, um tablet, um laptop ou um computador pessoal.

17. Sistema, de acordo com qualquer uma das reivindicações 14-16, caracterizado pelo fato de que o aparelho para gravar imagens digitais é configurado para gravar a imagem digital com uma distância de gravação padronizada e condições de luz padronizadas.