ABSTRACT This paper is inserted in the context of image analysis, aiming at the automatic extraction of complex information with high precision. This study aimed to evaluate the performance of convolutional neural networks in classifying concrete images into two classes: (a) non-cracked and (b) cracked. For this purpose, VGG16, VGG19, and ResNet50 deep networks were employed with transfer learning through fine-tuning. The networks were re-trained and tested using a database of 40,000 images. After training, the networks were tested, achieving an impressive accuracy between 99.27% and 99.78%. This high accuracy level inspires confidence in using these predictive models. To assess the robustness of the models, visual gradients of the networksʼ attention focal points on the images were generated, showing that the models focus on and capture aspects of the photos that truly characterize the cracks. Based on the results, it can be concluded that convolutional neural networks are effective in classification problems involving concrete and can be applied in accurate inspections to assist engineers with high reliability regarding the results. analysis precision classes (a noncracked non cracked b (b purpose VGG16 VGG VGG19 ResNet ResNet5 finetuning. finetuning fine tuning. tuning fine-tuning retrained re trained 40000 40 000 40,00 training 9927 99 27 99.27 9978 78 99.78% generated cracks results VGG1 4000 4 00 40,0 992 9 2 99.2 997 7 99.78 400 0 40, 99. 99.7

RESUMO Este trabalho se insere no contexto de análise de imagens, visando a extração automática de informações complexas com alta precisão. Este estudo teve como objetivo avaliar o desempenho de redes neurais convolucionais na classificação de imagens de concreto em duas classes: (a) não fissuradas e (b) fissuradas. Para tanto, foram empregadas as redes profundas VGG16, VGG19 e ResNet50 com aprendizagem por transferência por meio de ajuste fino. As redes foram treinadas novamente e testadas usando um banco de dados de 40.000 imagens. Após o treinamento, as redes foram testadas, alcançando uma precisão impressionante entre 99,27% e 99,78%. Este alto nível de precisão inspira confiança no uso destes modelos preditivos. Para avaliar a robustez dos modelos, foram gerados gradientes visuais dos pontos focais de atenção das redes nas imagens, mostrando que os modelos focam e capturam aspectos das fotos que realmente caracterizam as fissuras. Com base nos resultados, pode-se concluir que as redes neurais convolucionais são eficazes na classificação de problemas envolvendo concreto e podem ser aplicadas em inspeções precisas para auxiliar engenheiros com alta confiabilidade quanto aos resultados. classes (a b (b tanto VGG16 VGG VGG1 ResNet ResNet5 fino 40000 40 000 40.00 treinamento 9927 99 27 99,27 9978 78 99,78% preditivos fissuras resultados podese pode 4000 4 00 40.0 992 9 2 99,2 997 7 99,78 400 0 40. 99, 99,7