Priorização de classes de anomalias em telhados visando a automatização de inspeções para apoio à gestão da manutenção
DOI:
https://doi.org/10.46421/sibragec.v14i.7669Palavras-chave:
Anomalias em telhado, Operação e Manutenção, Gestão da Manutenção, Telhados e coberturas, Inspeção automatizadaResumo
No ciclo de vida de um edifício, a fase de Operação e Manutenção representa aproximadamente 65% do custo total da edificação. A gestão da manutenção (GM) de telhados e coberturas visa assegurar o desempenho adequado desses sistemas, protegendo a estrutura contra condições ambientais adversas. Tecnologias digitais, como drones e Inteligência Artificial, têm transformado as atividades de GM. No entanto, apesar da automação proporcionada por essas tecnologias, ainda persistem desafios relacionados à gravidade das anomalias detectadas e seu impacto na edificação. Diante disso, este estudo propõe uma avaliação qualitativa para classificar, em ordem de prioridade, as classes de anomalias identificadas em coberturas, com base em inspeções realizadas por drones em 25 edificações. A pesquisa adotou uma abordagem qualitativa, envolvendo especialistas da indústria e da academia com experiência em inspeções prediais. Esses especialistas avaliaram um conjunto pré-definido de imagens representando dez classes de anomalias. As nomenclaturas utilizadas nas imagens foram analisadas, e as classes foram ranqueadas com base no Índice de Importância Relativa (RII). Os resultados possibilitam um planejamento mais eficiente das ações de manutenção, permitindo que os gestores priorizem intervenções com base na gravidade e no impacto dos danos identificados. A partir dessa avaliação, é possível desenvolver novos modelos de reconhecimento automatizado baseados em drones e IA.
Downloads
Referências
ADEGORIOLA, Mayowa I. et al. Development of a significant index model for assessing heritage building maintenance management challenges. Engineering, Construction and Architectural Management, v. 31, n. 8, p. 3398-3428, 2024.
ALZARRAD, Ammar et al. Automatic assessment of roofs conditions using artificial intelligence (AI) and unmanned aerial vehicles (UAVs). Frontiers in Built Environment, v. 8, p. 1026225, 2022.
CHEN, Kaiwen et al. GIS-based information system for automated building façade assessment based on unmanned aerial vehicles and artificial intelligence. Journal of Architectural Engineering, v. 29, n. 4, p. 04023032, 2023.
CIB W086 on Building pathology. (2013). “A state-of-the-art report on building pathology.” Conseil International du Bâtiment (CIB), FEUP, and LFC, Universidade do Porto, Porto, Portugal.
DAUDA, Jamiu A.; AJAYI, Saheed O. Understanding the impediments to sustainable structural retrofit of existing buildings in the UK. Journal of Building Engineering, v. 60, p. 105168, 2022.
FAN, Ching-Lung. Using convolutional neural networks to identify illegal roofs from unmanned aerial vehicle images. Architectural Engineering and Design Management, v. 20, n. 2, p. 390-410, 2024.
FARRELL, Peter. Writing a built environment dissertation: practical guidance and examples. John Wiley & Sons, 2011.
GARCEZ, Nuno et al. System of inspection, diagnosis and repair of external claddings of pitched roofs. Construction and Building Materials, v. 35, p. 1034-1044, 2012. (a).
HAUASHDH, Ali et al. Strategic approaches towards achieving sustainable and effective building maintenance practices in maintenance-managed buildings: A combination of expert interviews and a literature review. Journal of Building Engineering, v. 45, p. 103490, 2022.
HOU, Miaole et al. A detection method for the ridge beast based on improved YOLOv3 algorithm. Heritage Science, v. 11, n. 1, p. 167, 2023.
KAMINSKI, Matheus Gregorio; ACIOLE, Paulo Henrique de Sá; ZANONI, Vanda Alice Garcia. Empirical Study of the Relationship of Architectural Form Details to the State of Conservation of Modern Heritage Through Damage Maps. Buildings, v. 15, n. 1, p. 142, 2025.
LI, Clyde Zhengdao et al. The application of advanced information technologies in civil infrastructure construction and maintenance. Sustainability, v. 14, n. 13, p. 7761, 2022.
LOPES, Melissa Lorrane Frazão; BAUER, Elton; SILVA, Lenildo Santos da. Critérios para a identificação de anomalias em fachadas com revestimento em argamassa. Ambiente Construído, v. 24, p. e132144, 2024.
MIRZABEIGI, Shayan; RAZKENARI, Mohamad. Automated vision-based building inspection using drone thermography. In: Construction Research Congress 2022. 2022. p. 737-746.
MORGADO, João et al. Maintenance programmes for flat roofs in existing buildings. Property management, v. 35, n. 3, p. 339-362, 2017.
MORGADO, João et al. Maintenance programmes for flat roofs in existing buildings. Property Management, v. 35, n. 3, p. 339-362, 2017.
OTTONI, André Luiz Carvalho; NOVO, Marcela Silva; COSTA, Dayana Bastos. Hyperparameter tuning of convolutional neural networks for building construction image classification. The Visual Computer, v. 39, n. 3, p. 847-861, 2023.
ROWLEY, Jenny. Designing and using research questionnaires. Management research review, v. 37, n. 3, p. 308-330, 2014.
RUIZ, Ramiro Daniel Ballesteros et al. Unmanned aerial vehicles (UAV) as a tool for visual inspection of building facades in AEC+ FM industry. Construction Innovation, v. 22, n. 4, p. 1155-1170, 2022.
SALZANO, Antonio et al. Existing assets maintenance management: Optimizing maintenance procedures and costs through BIM tools. Automation in Construction, v. 149, p. 104788, 2023.
SANTOS, Lara Monalisa Alves et al. Deep learning applied to equipment detection on flat roofs in images captured by UAV. Case Studies in Construction Materials, v. 18, p. e01917, 2023.
SENA, Rafael Oliveira et al. Proposal for integrating drone images and BIM in educational public buildings to support maintenance management. Revista Ingeniería de Construcción, v. 39, n. 3, 2024.
SILVA, Alisson Souza et al. CNN-based model for automated anomaly recognition in facade execution to support Quality Management. Ambiente Construído, v. 25, p. e143288, 2025a.
SILVA, Alisson Souza et al. Modelo basado en YOLOv8 para la detección automática de daños en tejados residenciales. Revista ALCONPAT, v. 15, n. 1, p. 50–63-50–63, 2025b.
STAFFA JUNIOR, Luciano de Brito et al. Web platform for building roof maintenance inspection using UAS and artificial intelligence. International Journal of Building Pathology and Adaptation, v. 43, n. 1, p. 4-28, 2025.
TAN, Yi et al. Building defect inspection and data management using computer vision, augmented reality, and BIM technology. Automation in Construction, v. 160, p. 105318, 2024.
TIWARI, Shubham et al. Metal roof cladding system under wind loading: State-of-the-art. Journal of Wind Engineering and Industrial Aerodynamics, v. 257, p. 105939, 2025.
WANG, Chien-Yao; BOCHKOVSKIY, Alexey; LIAO, Hong-Yuan Mark. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2023. p. 7464-7475.
WANG, Pujin et al. Automatic ceiling damage detection in large-span structures based on computer vision and deep learning. Sustainability, v. 14, n. 6, p. 3275, 2022.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 SIMPÓSIO BRASILEIRO DE GESTÃO E ECONOMIA DA CONSTRUÇÃO
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
