Automação do Teste de Van de Casteele via Aprendizado Profundo: Viabilidade e Análise da Amostragem Instantânea

Resumo

O Teste de Van de Casteele é uma etapa importante na análise da qualidade das observações das estações maregráficas, mas sua execução manual é laboriosa. Para automatizar esse processo, esta pesquisa avaliou o uso de um modelo de aprendizado profundo baseado em YOLO, aplicado a imagens da régua de marés da estação maregráfica de Arraial do Cabo, capturadas por câmeras digitais de baixo custo. O estudo também analisou os limites da inferência instantânea, caracterizada pela medição direta de imagens, sem os filtros de média temporal comuns em sensores eletrônicos. Na detecção da régua de marés, o modelo apresentou excelente desempenho em vários cenários, com mAP50 de 0,995 e mAP50-95 variando de 0,844 a 0,913. A validação metrológica comparou cinco experimentos, tendo como referência o método convencional. Em relação à precisão, enquanto os sensores Radar e Encoder apresentaram desvios padrão (DP) de 0,02 m quando comparados aos registros da régua de marés feitos por um observador, o modelo de visão computacional convergiu para um DP de 0,03 m ao longo dos experimentos. Essa variabilidade ligeiramente maior, juntamente com um viés sistemático identificado, é atribuída à captura instantânea da superfície do mar, que registra ruídos de alta frequência (ondas) que são filtrados pela integração temporal dos sensores de nível e pelo observador. Portanto, os resultados demonstram que, considerando a natureza instantânea da captura de imagem, a técnica é robusta e viável para automatizar o Teste de Van de Casteele.