3-Detection of Road Condition Defects Using Multiple Sensors and IoT Technology A Review PT-BR

Este artigo foi aceito para publicação no IEEE Open Journal of Intelligent Transportation Systems.
Esta é a versão do autor que não foi totalmente editada e

o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
Assine o DeepL Pro para traduzir arquivos maiores.

Mais informações em www.DeepL.com/pro.
Detecção de defeitos nas condições das estradas usando vários sensores e tecnologia IoT:
A
Revisão
A.Alrajhi , K.Roy, L .Qin gge, J.Kribs
Resumo
A eficiência do transporte e a segurança ao dirigir das redes rodoviárias, que
desempenham um papel essencial na prosperidade econômica, são afetadas significativamente
por danos e defeitos na superfície da estrada. Na prática atual, pode levar semanas ou até meses
para que os departamentos governamentais relacionados consertem essas condições das estradas,
principalmente devido à falta de conhecimento de qualquer dano. Este documento analisa o
status atual e as limitações de uma estrutura para dispositivos de sensores e avaliação das
condições da superfície da estrada. A análise também incorpora os métodos mais relevantes
baseados em aprendizado de máquina, os desafios e as tendências futuras para sustentar a
implantação em larga escala da identificação automatizada de defeitos nas estradas.
Espera-se que a tecnologia possa fornecer informações qualitativas e quantitativas sobre a
condição da superfície da estrada e, assim, permitir a manutenção oportuna para melhorar
a eficiência do transporte e a segurança ao dirigir.
Palavras-chave
Internet das coisas, condição da superfície da estrada, sensor em rede, transporte, aprendizado de
máquina
1. Introdução
Como as estradas servem de conexão principal entre áreas residenciais, comerciais e industriais,
elas são essenciais para permitir que as pessoas se desloquem entre suas casas e o trabalho. Os
riscos ao longo das estradas dependem de vários fatores, como erro humano, condições climáticas,
modo de transporte, tipo de veículo e condições da estrada. Isso pode causar acidentes de
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0. Para obter mais informações, consulte
https://creativecommons.org/licenses/by-nc-nd/4.0/
Este artigo foi aceito para publicação no IEEE Open Journal of Intelligent Transportation Systems. Esta é a versão do autor que não foi totalmente editada e
carro, que afetam vidas humanas e influenciam as áreas vizinhas. Por um lado, as estradas
precisam ser mantidas em boas condições para evitar acidentes de carro. Todas as fases do
reparo de estradas exigem tempo e esforço na busca de defeitos e na correção dos problemas.
Portanto, é essencial que as estradas tenham um cronograma de manutenção contínuo
para reduzir o risco de acidentes. Por outro lado, alguns métodos são promovidos para evitar
acidentes, como educação para a segurança dos motoristas, desenvolvimento de veículos mais
seguros e aprimoramento das regras de manutenção da infraestrutura, etc. (D'Amico et al.,
2017). Nos EUA, um quarto das principais estradas metropolitanas é classificado como estando
em condições ruins (Xue et al., 2016).
Song, et al. (2018) afirmaram que os buracos e os solavancos causam experiências de
viagem inconvenientes aos usuários das estradas e prejudicam a mobilidade das pessoas. Em
contraste com as estradas danificadas, as estradas em boas condições proporcionam benefícios
econômicos e sociais. Consequentemente, a manutenção eficaz e eficiente das estradas é um
assunto importante para os ativos públicos do país. O gerenciamento de estradas inclui o
monitoramento, a avaliação e a tomada de decisões para a manutenção, os reparos e a substituição
de estradas necessários. Conforme declarado pela Sociedade Americana de Engenheiros
Civis, o prognóstico "na próxima década, a economia perderá quase quatro trilhões de
dólares como resultado" de danos e defeitos nas estradas (ASCE, 2016). Essa cautela
indica a importância da Gestão de Infraestrutura (GI) e que as condições das estradas devem
ser melhoradas (Coenen & Golroo, 2017). A avaliação das condições das estradas é
crucial para projetar, planejar e determinar o programa adequado de manutenção de
estradas. Noventa e nove por cento da coleta e análise de dados atuais são realizadas
manualmente (Radopoulou & Brilakis , 2016), (Cai & Derouin, 2019). Os dados coletados são
insuficientes para as redes rodoviárias devido ao tamanho da rede e à frequência do
monitoramento. Como resultado, a manutenção eficiente e a precisão das estradas são
afetadas negativamente. Assim, a maioria dos estudos recentes se concentra no uso de
dispositivos de sensores de detecção automatizados para observar e identificar defeitos nas
estradas a fim de oferecer melhor suporte ao departamento de manutenção de estradas.
Figura 1. Visão geral dos métodos de comunicação para detecção automatizada de
defeitos em rodovias
Os esforços deste documento visam à análise e ao contraste do estado atual do

desenvolvimento em
identificação automatizada das condições das estradas. Isso leva ao problema de identificação
de defeitos nas estradas para monitoramento e avaliação automatizados das condições dos
ativos rodoviários usando veículos em rede com recursos de detecção e algoritmos de
aprendizado de máquina. A motivação deste documento é dupla. Há dois grupos de partes
interessadas: os departamentos de transporte, que querem manter a infraestrutura para que as
estradas estejam em boas condições, e os motoristas, que querem usar as estradas para
transporte. Quanto mais cedo os buracos forem consertados, menor será o custo, pois o
aumento do tamanho faz com que o custo aumente. O segundo grupo de partes interessadas
são os motoristas e as empresas que usam as estradas para o transporte de mercadorias e que
não querem danos ou acidentes inesperados devido às más condições das estradas. Os
pesquisadores estão trabalhando em conjunto com o departamento de transportes para fornecer
instrumentos e evitar esse problema. No passado, os pesquisadores usavam sensores individuais,
como câmeras, GPS, lasers e acelerômetros, etc., como instrumentos para coletar
manualmente os dados de defeitos nas estradas. Mais recentemente, esses sensores
individuais podem ser integrados a um dispositivo para coletar dados automaticamente e encontrar
pontos específicos de defeitos.
Portanto, este documento ajuda e fornece ao leitor a importância do problema de detecção de
defeitos nas estradas e seus impactos sobre os danos aos veículos e à vida humana. Ele está
mostrando gradualmente as ferramentas de detecção de defeitos nas estradas no passado e
no presente. Por exemplo, como os dispositivos de sensores individuais anteriores foram e se
tornaram integrados em um único dispositivo sensor para coletar o conjunto de dados
automaticamente. Como mostra a Figura 1, a transferência do conjunto de dados armazenados
nos dados do dispositivo sensor para o centro de banco de dados em nuvem indica o uso da IoT
e o processo de resultados automatizados. Além disso, ela mostra as ferramentas de tratamento
dos algoritmos de processamento usando técnicas como janela deslizante, algoritmos de
aprendizado de máquina, análise de frequência e métodos de fusão de sensores. Em seguida, as
limitações e os desafios que levam às tendências futuras das condições das estradas. Essa teoria
abrangente permite entender o campo e também as lacunas dessa área de pesquisa. Este artigo
se distingue de outros devido à cobertura geral da detecção de defeitos em estradas, começando
pelo dispositivo sensor e terminando nos métodos de detecção de automação.
A organização desta análise concentra-se em cada componente principal para a detecção
automatizada de defeitos em estradas. Na seção 2, é apresentada a visão geral de vários sensores
selecionados e uma plataforma de sensor integrada. A revisão detalhada dos algoritmos de
processamento para pavimento rodoviário é explicada na Seção
3. A Seção 4 mostra como os carros estão participando dos experimentos de detecção de danos na
superfície da estrada. A Seção 5 mostrará as limitações e os desafios, que envolvem cinco partes.
Seção 6. Mostra as tendências futuras, que incluem cinco tipos de pontos de análise. Por fim,
uma conclusão é apresentada na Seção 7.
2. Visão geral dos tipos de sensores para detecção de defeitos nas estradas
Os sensores são considerados o principal instrumento no campo de identificação
de defeitos em estradas. Esse instrumento é fundamental para encontrar os defeitos nas
estradas e o ponto de partida para o tratamento. Há vários tipos de sensores que podem ser
usados para detectar defeitos nas estradas com base em cada caso. Além disso, há sensores
integrados usados como identificação avançada de coleta de dados manual ou
automatizada. Esses sensores medem a resposta do veículo aos defeitos, como buracos,
lombadas e rachaduras. As partes a seguir explicam os sensores individuais mais comuns. Em
seguida, a última parte é a parte da plataforma de sensor integrado que mostra como os
sensores individuais crescem gradualmente e se tornam computados em um dispositivo de
sensor único. Esse dispositivo de sensor pode detectar defeitos usando automação simples para
reduzir o problema da condição da estrada.
2.1. Acelerômetro
Um acelerômetro é um dispositivo eletromecânico para medir a mudança ou o alcance da
velocidade em uma única ou várias direções. Essa escala levou à aceleração física devido à
força gravitacional, que é uma unidade de aceleração que atua como um sinal elétrico.
Em uma escala prática, um acelerômetro mede a aceleração de uma massa conectada a uma
mola. Em movimento, à medida que a massa é acelerada, uma força é aplicada à mola,
estendendo ou comprimindo a mola, dependendo da direção da aceleração. Então, o
deslocamento da massa é proporcional à aceleração (Salau et al., 2019; Barriera et al.,
2020). Há vários tipos de sensores de acelerômetro categorizados com base na tecnologia
usada para suas saídas. Alguns desses tipos são o acelerômetro piezoelétrico, o
acelerômetro piezoresistivo e o acelerômetro capacitivo. O acelerômetro piezoelétrico
transfere a saída de uma tensão de massa para a aceleração. O acelerômetro
piezoresistivo usa a alteração na resistência para medir a aceleração, enquanto aqueles que
usam a alteração na capacitância para medir a aceleração são chamados de acelerômetro
capacitivo.
Menor aceleração ascendente para buracoMaior aceleração ascendente para lombada
1 1.6
0.9
0.8
1.2
0.7
Aceleração (g)
Aceleração (g)
0.6
0.5 0.8
0.4 Rodas
0.3 esquerdas
0.4
0.2 Rodas esquerdas
0.1 Rodas
direitas
Todas as
rodas
0 Rodas direitas 0
5 mph 10 mph 15mph
Velocidade
6 mph mph
12mp
h Velocidade
Figura 2 . Comparação da resposta do acelerômetro devido a (esquerda) um buraco e
(direita) um solavanco
Devido às alterações no domínio magnético detectado da influência do acelerômetro, que

são
transferido para um sinal elétrico. Esse sinal é devido a alterações na resistividade do material
do campo magnético chamado de acelerômetro magneto-resistivo (Salau et al., 2019).
O sensor do acelerômetro é considerado um transdutor que converte uma pressão mecânica ou
energia equivalente em um sinal elétrico. Cada um dos três eixos do acelerômetro é dedicado a uma
atividade de monitoramento específica do veículo. O eixo X monitora o giro à esquerda e
à direita do veículo, o eixo Y monitora a inclinação da estrada, enquanto o movimento para cima
e para baixo dos veículos é medido pelo eixo Z, que é utilizado principalmente para a
detecção de defeitos na estrada. O sensor de acelerômetro encontrou aplicações em escopos
de engenharia, como a implantação de airbags em veículos e a detecção de colisões. Além disso,
recentemente, os sensores de acelerômetro foram usados para a detecção de defeitos em
estradas, com uma comparação dos dados do acelerômetro mostrados na Figura 2. Com
base na concentração desta análise, ele também foi usado para monitoramento da
condição da superfície da estrada e detecção de anomalias. Uma das vantagens importantes
do sensor do acelerômetro é trabalhar em posição constante e estável para diminuir o sinal de
ruído emitido pelo acelerômetro. Por outro lado,
Uma das desvantagens do sensor de acelerômetro de menor resistência é o tempo fixo e o
domínio da constante interna, o que limita seu uso em algumas aplicações (Salau et al., 2019).
2.2. Laser, L IDAR
Light Detection and Ranging (LiDAR) é uma tecnologia de sensoriamento remoto que usa
radiação luminosa para coletar informações sobre objetos sem fazer contato físico com esses
objetos. Esse tipo de sensor é considerado um dos sensores tecnológicos usados para a
identificação de defeitos em estradas (Gargoum & Basyouny, 2017). Os sistemas Lidar usam um
sistema de varredura que reflete feixes de luz nos objetos. O pulso de luz emitido pelo sensor
ricocheteia no objeto-alvo e, em seguida, é refletido novamente para o sensor. O tempo que a
reflexão leva para ocupar o espaço entre o scanner e o objeto escaneado pode ser calculado (Liu et
al., 2018). Há dois tipos de sistemas lidar: um é o lidar de varredura e o segundo é o lidar sem
varredura. O lidar de varredura tem um lidar de varredura de linha única e um lidar de varredura
de várias linhas, em que um ou vários feixes de laser são usados para criar um mapa de
contorno. O lidar sem varredura é usado como um lidar 3D-flash, que fornece dados sobre uma
determinada região em vez de um único ponto. Os componentes de cada tipo de lidar são
baseados na estrutura do sistema, no princípio de funcionamento, no aprimoramento
em todo o mundo e em outros problemas existentes. O Lidar tem alta resolução e dados
3D distantes na ausência de luz e de condições climáticas perigosas. Em contraste com a fusão
de dados lidar, câmera e milímetro, a abundância pode cobrir todas as condições de
direção de forma confiável e completa. A precisão do Lidar pode distinguir o status
humano, como dirigir, caminhar, velocidade de movimento ou direção. Além disso, ele
pode funcionar em condições climáticas extremamente normais, o que é considerado um
sensor importante de um veículo sem motorista de nível 3 ou superior. O Lidar é um sensor
desenvolvido que converte informações por meio da tecnologia laser (Liu et al., 2018).
Os dados LiDAR podem ser coletados de objetos aéreos, usando aviões. Os dados espaciais
são coletados por meio de satélites, e os terrestres são coletados do solo, que pode ser estático
ou móvel. Esse
precisa ser recuado. O escaneamento a laser móvel (MLS) é o caminho mais comum para
coletar dados para aplicações de transporte, pois as vantagens da estrada podem ser capturadas
com uma alta escala de detalhes. No escaneamento MLS, o sistema é instalado em veículos
que percorrem a rodovia em questão, capturando 3.600 imagens da estrada. A vantagem dos
sensores a laser é que a coleta de dados dos veículos é montada com receptores de
Sistema Global de Navegação por Satélite (GNSS) e unidade de medição inercial (IMU)
que divulgam informações sobre o status específico do sensor (Gargoum & Basyouny, 2017). Em
outras palavras, os sensores a laser não precisam estar próximos do objeto a ser medido, ao
contrário dos sensores de acelerômetro, que só podem registrar defeitos com os quais o
veículo se depara. As principais desvantagens são que os sistemas Lidar podem ser caros e
incapazes de medir a distância em caso de chuva forte, neve ou neblina, devido à interferência no
caminho do feixe de luz.
2.3. Tipos de câmera
2.3.1 Câmera única
Câmeras digitais de imagem estática única são usadas para detectar uma variedade de
problemas com base em fotos bidimensionais (2-D). Essas câmeras são de vários tipos. A
câmera CCD (charge coupled device, dispositivo de carga acoplada) de alta velocidade, de
montagem única, é considerada um dos equipamentos mais aplicáveis para um resultado
bidimensional, que já foi usado anteriormente para a detecção de problemas em buracos e
rachaduras específicos. Com o desenvolvimento de novas tecnologias de câmera, há outra
opção, chamada de sensor de semicondutor de óxido metálico (CMOS). As câmeras CMOS
são vantajosas quando uma resolução menor é adequada e a velocidade do sensor não
exige altas velocidades. Além disso, ela tem várias vantagens comumente usadas em
imagens digitais, como uma saída fácil de usar, preço razoável, acessibilidade e alta maturidade
da técnica CMOS. Nos últimos anos, os sensores CMOS têm se difundido bastante, pois suas
desvantagens, como a baixa resolução, foram superadas. No entanto,
dispositivos sensores recentes em veículos de alta velocidade não parece estar sendo usado
devido ao custo e a problemas técnicos (Coenen & Golroo, 2017).
2.3.2. Câmera de vídeo
A câmera de vídeo é um dos instrumentos usados para coletar dados dos quais são
extraídas imagens bidimensionais. Para isso, o aplicativo de vídeo foi comparável às câmeras de
varredura de linha e de varredura de área. Elas devem ser usadas para a identificação de remendos,
entre rachaduras e buracos, pois esses três tipos de defeitos têm características bidimensionais
claras. Alguns pesquisadores realizaram imagens de vídeo para encontrar defeitos nas estradas.
Uma abordagem comparável foi desenvolvida por Radopoulou e Brilakis (2016), que usaram as
imagens de vídeo de câmeras de estacionamento previamente instaladas em veículos de
passageiros. Além disso, a detecção de buracos com base em câmeras de vídeo foi pesquisada
(Koch & Brilakis, 2016), o que resultou na detecção de remendos conforme descrito
anteriormente, e câmeras de estacionamento com visão traseira, integradas em veículos de
passageiros modernos, são usadas para a coleta de dados. Uma lente olho de peixe é instalada
para ampliar o ângulo da câmera. As câmeras de painel chamadas câmeras Blackbox também
foram estudadas (Coenen & Golroo, 2017). As vantagens das câmeras de vídeo são que elas
podem monitorar cenários de defeitos nas estradas e atividades de danos aos veículos, fornecer
resolução temporal do desenvolvimento de defeitos e coletar evidências de defeitos. Em
contrapartida, podem ser caras e vulneráveis.
2.3.3. Câmera de varredura de linha
As câmeras de varredura de área regulares, conforme descrito anteriormente, têm algumas
desvantagens na saída, como uma diferença relativa devido ao ângulo e às dificuldades de
iluminação, que são cobertas pelo uso de uma câmera de varredura de linha. Duas câmeras
foram usadas no estudo de Gavilán et al. (2011) com uma resolução de 2000 × 1 pixel,
incluindo uma largura de pavimento de 4000 × 1 mm. Uma faixa de quadros alta, como 28
kHz, permite que o veículo dirija a até 90 km/h e ainda colete dados utilizáveis. Outra taxa de
quadros mais baixa indica a mesma resolução, mas pode ser mais barata e ainda fornecer
dados devido a aspectos financeiros. O Laser Road Imaging System (LRIS) comercial usado
neste conteúdo mescla a câmera linear com a iluminação a laser para uma visão óbvia
da rachadura. Além disso, a varredura de linha pode ser conduzida sem a iluminação,
mas isso aumenta os desafios no nível de processamento de imagem, equivalente à imagem
de varredura de área. A abordagem de varredura de linha é indicada apenas para problemas no
pavimento, que são visíveis sem profundidade, conforme usado por empresas como a NEXCO e
a International Cybernetics. Além disso, a varredura de linha é adequada para a detecção de
rachaduras, remendos e buracos. A vantagem das câmeras de varredura de linha é a alta
resolução, a alta velocidade e a imagem de objetos grandes (Coenen & Golroo, 2017).
2.4. Microfone
O sensor de microfone pode ser usado para medir sinais induzidos por buracos, que
podem ser analisados para descobrir a qualidade da estrada. Kyriakou et al. (2021)
observaram que as características da estrada, especialmente os buracos, podem ser
detectadas por veículos móveis equipados com microfones de prateleira e dispositivos de
posicionamento global. Portanto, os microfones registram sinais sonoros de buracos à medida que os
veículos passam sobre os defeitos. Os microfones usam um sistema de detecção veicular
distribuído para registrar sons, que fornecem os dados necessários para criar mapas de ruído
urbano. Os sensores de microfone são baseados no Nericell, uma plataforma usada em telefones
celulares por ciclistas para detectar buracos, freadas e buzinas. Ele detecta picos nas
frequências sonoras para estimar as buzinadas. Kyriakou et al. (2021) montaram um
experimento em um ambiente controlado para determinar o uso de um microfone na detecção
de irregularidades feitas por eles mesmos na estrada. A vantagem é que eles descobriram que o
microfone detecta com precisão as irregularidades. Uma patrulha de buracos mais eficiente é
conduzida por uma plataforma de rede de sensores veiculares que usa microfones superiores
para estimar a qualidade da estrada.
Além disso, Guerrero-Ibáñez, Zeadally e Contreras-Castillo (2018) observaram que os
sensores de matriz acústica, compostos por um conjunto de microfones, são usados para detectar o
aumento da energia sonora
produzidos pelos veículos que passam pelas áreas onde estão instalados. Portanto, com base na
energia sonora dos veículos que se aproximam e saem, os sensores acústicos podem ser
usados para determinar a qualidade da estrada. Khalili et al. (2018) presumiram ainda que
os sensores acústicos equipados com microfones direcionais são incorporados normalmente
na beira da estrada e configurados para receber o som que é categorizado em classes de
veículos pesados, veículos leves com velocidade, veículos leves de alta velocidade e nenhum
veículo. A desvantagem do sensor de microfone pode ser o fato de ser extremamente sensível a
qualquer ruído emitido pelo veículo, o que significa que pode não ser um defeito ou um ruído
anormal. O estudo usou os algoritmos Mel-frequency Cepstrum Coefficients (MFCC) e Linear
Predictive Coefficients (LPC) para extrair com precisão as características da estrada e os sinais
enviados aos smartphones.
2.5. GPS
As rápidas inovações na tecnologia GPS aumentaram sua aplicação devido aos seus
recursos de posicionamento geográfico e rastreamento. Uma das principais aplicações da
tecnologia GPS é o monitoramento de rotas de transporte rodoviário (Yang, AI & Lu, 2018). A
tecnologia GPS oferece suporte ao sensoriamento de imagens de satélite para auxiliar na coleta
de informações de posicionamento geográfico e é aplicável na extração de características
de estradas para atualizações instantâneas em sistemas como o Google Earth (Kahraman,
Karas & Akay, 2018). Ao usar sensores GPS para explorar posições espaciais, neste caso,
características de estradas, o dispositivo GPS portátil precisará de visão desimpedida de pelo
menos quatro satélites (Zhao, Carling, & Håkansson, 2014). É possível obter dados de
rastreamento mais precisos aumentando a frequência dos receptores, usando chipsets avançados no
dispositivo GPS e medições de fase da portadora com suporte de aumento.
A extração de características da estrada usa imagens de sensoriamento remoto
com base na exploração de características distintas das características da estrada. Se extraídas
com sucesso e corretamente, as características da estrada podem ajudar a modelar uma estrada
(Kahraman et al., 2018). No entanto, a modelagem de estradas é complexa porque as estradas
têm seções diferentes com propriedades que afetam a forma do caminho. Consequentemente, a
modelagem baseada em conhecimento,
Métodos baseados em morfologia, classificação e programação dinâmica são usados na
extração de características de estradas. Os sensores GPS, instalados no centro de
gravidade dos veículos, podem ajudar no fornecimento autônomo de dados de entrada
para esses métodos (Kahraman et al., 2018). A vantagem dos sensores GPS é fornecer
vibrações e dinâmicas dos veículos que os algoritmos de aprendizado de máquina e as
estatísticas podem usar para classificar as características da infraestrutura rodoviária e, assim,
determinar a condição da estrada (Masimo et al., 2017). Além disso, o GPS é fácil de navegar e custa
menos em comparação com outros tipos de sensores.
As barreiras para a aplicação da tecnologia GPS na exploração das características
da estrada incluem a dinâmica da pista e o ambiente, que podem ser evitadas com a
correspondência de geolocalizações e pistas com a estrada por meio de um mapa digital da rede
rodoviária (Zhao et al., 2014). Essa abordagem resolve os desafios de precisão e exatidão dos
dados de rastreamento. Além disso, os algoritmos de correspondência de mapas oferecem o
diferencial entre a correspondência de GPS e as posições de GPS dos dispositivos de
localização no mapa. As desvantagens são a falta de atualizações imediatas dos locais e a
falha da bateria.
2.6. Plataforma de sensor integrada (por exemplo, telefone celular)
Os telefones celulares são um dos dispositivos que incluem vários sensores integrados em
um único aparelho. No passado, os sensores eram usados separadamente para detectar e
localizar defeitos nas estradas. Atualmente, as tecnologias avançadas estão integrando
sensores sofisticados para desenvolver e melhorar a identificação das condições dos defeitos
nas estradas. Os dispositivos integrados modernos, como os smartphones, são equipados com
vários sensores, além de armazenamento integrado, recursos de comunicação e
computação. Devido a essas características, os sensores integrados podem ser
dimensionáveis, inteligentes, diferenciados e sem custo adicional como componente da próxima
geração de sistemas de monitoramento de infraestrutura civil nas futuras cidades inteligentes. Nos
últimos anos, tem havido um foco cada vez maior na disseminação de tecnologias de monitoramento
baseadas em smartphones no campo da engenharia civil. O modelo de detecção de smartphone
global ainda está em sua infância, com incentivo para que os pesquisadores expandam
rapidamente suas diversas aplicações (Alavi & Buttler, 2019).
Os sensores incluídos nos smartphones, como barômetro, giroscópio, acelerômetro, sensor
de proximidade, câmera, tela sensível ao toque, microfone, sensor de luz ambiente, magnetômetro,
todos têm uma importante capacidade de computação integrada. Os pesquisadores
estão considerando o uso de smartphones com baterias que são carregadas pelos usuários e têm
armazenamento em gigabytes. Além disso, os smartphones são compatíveis com sistemas
operacionais móveis e hardware de comunicação sem fio que podem ser usados no campo de
coleta de dados e no upload de dados em tempo real para o servidor por meio de redes
Bluetooth, Wi-Fi, 3G, 4G e 5G. De forma significativa, o método de monitoramento baseado em
smartphone cria um sistema ciberfísico (CPS) por meio de crowdsourcing móvel. A
plataforma CPS permite conectar os objetos do sistema cibernético, físico e de sensores a um
domínio de processamento de informações em várias camadas (Alavi & Buttler, 2019).
Todos esses recursos mostram que os smartphones podem se tornar a principal unidade
de sensoriamento para a futura infraestrutura civil de sistemas de monitoramento. Nos últimos
anos, houve uma onda de pesquisas sobre sensoriamento móvel para coleta de dados,
processamento de sinais e visualização de dados em aplicações do mundo real (Alavi &
Buttler, 2019). Ultimamente, os smartphones são instrumentos úteis para a avaliação da
condição do pavimento em uma direção econômica com cobertura espacial abrangente. Além
disso, eles oferecem uma chance de monitoramento frequente, abrangente e quantitativo da
infraestrutura do pavimento. Nos últimos anos, vários estudos foram realizados para explorar a
viabilidade do uso de smartphones para avaliar a condição do pavimento. De modo geral, o
estado do pavimento pode ser categorizado pelos defeitos na superfície do pavimento, que
afetam a qualidade da condução dos veículos. Esses defeitos podem ter a forma de rugosidade da
superfície, irregularidade, buracos, rachaduras, deterioração ou danos. A rugosidade do pavimento é
aceita globalmente como o sinal de status do pavimento devido ao seu impacto na condução
qualidade, custos adicionais de atraso do veículo, custos de manutenção e consumo de
combustível. A maioria dos estudos atuais nesse escopo está se concentrando na detecção de
solavancos e defeitos nas estradas, em vez de esperar a rugosidade do pavimento. O primeiro
grande aplicativo baseado em smartphone para o monitoramento das condições das vias e do
tráfego foi o ''Traffic Sense'', criado pela Microsoft Research em 2008. Esse projeto se
concentrou no uso de acelerômetro, microfone, rádio GSM e sensores GPS em
smartphones para detectar buracos, solavancos, freadas e buzinas (Alavi & Buttler,
2019). As vantagens dos sensores integrados são a precisão e a flexibilidade para coletar
defeitos nas vias com base nas habilidades dos sensores computados em um único dispositivo
sensor. Por outro lado, alguns defeitos de trânsito em zonas difíceis não precisam de um
dispositivo de sensor integrado devido à dificuldade de suas condições de trânsito e de alcance
usando um veículo. Por exemplo, um dispositivo sensor de câmera para detectar defeitos nas
estradas em montanhas.
3. Algoritmos de processamento
3.1. Janelas deslizantes
Um algoritmo de processo de janelas deslizantes é um método adaptável de detecção de
desgaste da estrada que se baseia na descoberta de características que não sejam de
rachaduras e nas etapas adequadas de classificação de características da estrada para reduzir
o número de falsos positivos durante o monitoramento. A classificação da superfície da estrada
é uma etapa fundamental para encontrar diferentes características da estrada. Além disso, a
abordagem de janela deslizante é importante na detecção de defeitos na estrada porque
oferece uma abordagem padrão de falsos positivos mínimos.
Figura 3 . Abordagem de janela deslizante aplicada a dados de acelerômetro de oscilações de
defeitos na estrada
Devido ao pré-processamento, que facilita o processo de detecção de defeitos, não apenas

reduzindo
o ruído ou o aprimoramento de rachaduras, mas também se referindo a características
lineares escuras da estrada. O pré-processamento usa métodos como filtros morfológicos de
escala de cinza, equalização de imagem, filtros medianos e amálgama de métodos de segmentação
e ferramentas morfológicas. Gavilan et al. (2011) implementaram a técnica de janela deslizante
presumindo que a intensidade dos pixels da rachadura era mais escura do que a intensidade do
pixel ao redor do defeito da estrada. O tamanho da região de interesse (ROI) em torno de uma
área de rachadura determina a posição ou a localização do pico, conforme mostrado na figura 4.
Portanto, de acordo com a técnica de deslizamento, são criadas ROIs quadradas com tamanho
predeterminado (Sizepre) ao redor da imagem. Uma etapa predefinida e específica (Step pre) é
usada para deslocar a janela. Nesse caso, o tamanho da imagem de pré-processamento é
determinado pelo Size pre porque cada ROI é

representadas por um pixel. Por outro lado, é provável que as regiões se sobreponham com base
na etapa anterior. Com base nisso, as rachaduras na estrada parecerão mais escuras do que o pixel
ao redor.
Figura 4 . Movimento da região de interesse no algoritmo de janela deslizante
Por outro lado, Chacra e Zelek (2018) aplicaram a técnica de janela deslizante por
meio de janelas de amostragem densas a partir de características de estradas detectadas e
encontraram os descritores SIFTS de transformação de características invariantes de escala
nas janelas. Eles usaram a formulação do Fisher Vector para decodificar os descritores e, em
seguida, usaram um classificador para categorizar os recursos codificados como estradas
danificadas ou de boa qualidade. Por fim, eles usaram um sistema de votação janela a
janela por meio das janelas gaussianas para criar uma segmentação responsável pela
detecção de características danificadas da estrada. O ponto forte do algoritmo de
processamento de janela deslizante é diminuir o uso de loop aninhado e trocá-lo por um
único loop, reduzindo assim a complexidade de tempo. Por exemplo, na figura 5 a seguir, o
primeiro movimento da janela deslizante da esquerda para a direita tem três loops aninhados que
se tornaram um único loop. Essa abordagem limitou a sobreposição e mostra o principal

defeito que precisa de manutenção.
Figura 5 . Algoritmo de janela deslizante com loops aninhados para

detecção
3.2. Ganho de máquina L
Radopoulou e Brilakis (2016) descreveram o aprendizado de máquina como uma aplicação
de Inteligência Artificial por meio da qual os sistemas de computador podem aprender e melhorar
sem serem programados. Depois que um algoritmo de computador é treinado, ele aplica a
relação aprendida para oferecer uma solução para problemas semelhantes. Isso é
considerado o principal ponto forte do uso de algoritmos de aprendizado de máquina na
identificação automatizada de defeitos em estradas. Além disso, essa variedade de algoritmos
apóia e facilita o estudo, conforme os estudos relacionados na Tabela 1, em que podemos avaliar
e experimentar vários algoritmos para mostrar os resultados precisos. O aprendizado de máquina
pode ser usado com sistemas de detecção automatizados, especialmente aqueles baseados em
vibrações sonoras registradas por meio de sensores (Angulo, 201; Wu et al., 2020). Depois que
esses sistemas coletam sinais e locais de vibração, os dados são carregados, processados e
divididos em janelas deslizantes, conforme mostrado na Figura 3. Os segmentos de
defeitos nas estradas são encontrados usando técnicas de limiar e classificadores de
aprendizado. Os buracos encontrados a partir de dados de diferentes sensores são agrupados
para
encontrar a localização exata dos buracos, que são salvos para serem tratados pela
manutenção. O aspecto do aprendizado de máquina nesse processo ocorre por meio
da filtragem dos limites usados nos parâmetros de ajuste, como velocidade, relação
velocidade vs. z, passa-alta, relação xz e relação z para otimizar a precisão do sistema usado
na detecção de buracos. Os resultados de agrupamento com base na localização ajudam o
sistema de detecção a aumentar a precisão na determinação da localização final do buraco em
92,4% para dados rotulados. Wu et al., (2020) observaram que, ao contrário de outros
métodos de detecção de buracos, por exemplo, métodos baseados em visão e métodos
baseados em vibração, o aprendizado de máquina é avançado e abrangente na extração de
informações críticas dos recursos.
Tabela 1. Estudos de aprendizado de máquina usados para a identificação automatizada de

defeitos em estradas
Autores Tipo/Classifica Conjunto de dados Desempenho Limitação

Akanksh Algoritmos
dor Acelerômetro,
usado Descubra os Um conjunto
Basavaraju, Jing supervision giroscópio e potenciais e os pequeno de
Du, Fujie Zhou e ados SVM, sensores GPS do desafios de dados de
Jim Ji (2019) Árvore de smartphone (três várias técnicas treinamento pode
decisão e rede eixos) de aprendizado causar perda de
neural de máquina para exatidão e
o precisão. A
reconhecimento distribuição
de danos em inadequada de
estradas. Os rachaduras,
modelos de ML buracos e
treinados com condições de
recursos estrada lisa
extraídos de resulta em um viés
todos os três e pode afetar as
eixos oferecem taxas individuais de
taxas de precisão e
exatidão, recuperação.
precisão e Como, em geral,
recuperação as redes neurais
significativament exigem um
e mais altas em grande conjunto
comparação de dados para
com os modelos serem treinadas
treinados com com precisão
recursos de usando dados
apenas um eixo diretos, os
perpendicular a resultados podem
chão. ser aprimorados
abordando
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0. Para obter mais informações,aconsulte
falta de
de dados
Avaliar a O desafio de
Abbas Ahmadi a, Algoritmos Várias imagens de eficiência do usar essas
Sadjad Khalesi e supervisiona rachaduras usando processamento imagens é que as
Amir Golroob dos Rede o smartphone de imagens e dos câmeras são
(2021) neural, SVM, algoritmos de projetadas para
árvore de ML na detecção fins limitados e
decisão, e classificação completamente
KNN, árvores automática de diferentes do que
ensacadas. rachaduras em as necessidades do
estradas. estudo. Portanto,
Obtenha o
A principal desempenho de
característica detecção de sulcos
desse modelo é mais desejado com
sua
compatibilidade
com imagens
capturadas por
smartphones, e
ele alcançou
uma precisão
igual a 93,86%
Charalambos Algoritmos A alta resolução

Kyriakou, Symeon supervision espacial está
E. Christodoulou ados relacionada a
e Loukas Regressão ambas as Investigar e
Dimitriou (2021) robusta, dimensões discutir o uso de
ANN e unidimensionais smartphones
árvores (por exemplo, X, para a detecção
ensacadas Y, Z e classificação
acelerações, de anomalias
velocidade etc.) comuns na
e indicadores superfície do
bidimensionais pavimento
(por exemplo, os usando análise
valores de de regressão
rolagem e robusta, ANN e
inclinação do modelos de
smartphone) classificação de
árvores
ensacadas. Isso
resulta em altas
taxas de
detecção no
caso de
remendos,
buracos e
lombadas (de
cerca de 95% a
98% por
execução).
Cao, M. T.,
Chang,
K. T., Nguyen, N. Algoritmos
M., Tran, V. D., supervisionad
Tran, X. L., & os
Duas mil imagens

de calçadas
valores
pois eles têm médios
recursos e em
filtros laterais execuçã
que, em sua o), mas
maioria, não não são
se aplicam indicador
aos requisitos, es
e esse confiávei
problema s.
aumenta Além
significativame disso, os
nte o tamanho gráficos
das imagens de não
saída. Isso fornecem
pode ter informaç
efeitos ões
negativos sobre
sobre o outros
algoritmo de parâmetr
pré- os de
processament execuçã
o e, como o que
resultado, influenci
pode reduzir a am a
eficiência do precisão
.o sistema dos
Os dados dados
brutos
coletados O modelo
construção é
expõem a com base no FBI
dificuldade do
metaheu
problema de
detecção como rística
variáveis, como
a inclinação do
veículo
assumida para
identificar
anomalias na
estrada. A
variabilidade
vertical é
aleatória
mesmo em um
ponto de
anomalia
conhecida da
superfície do
pavimento.
Além disso,
esses gráficos
indicam áreas
de suspeita
(altos e baixos,
longe dos
Hoang, N. D. Classificação taxa de processo de

(2021) de vetores de exatidão da otimização. Como o
suporte de classificação, FBI é um processo
mínimos precisão, recall e estocástico
quadrados medição do baseado em
(LSSVC) resultado F1 de população
98,9%, 0,994, pesquisa, o
0,984 e 0,989, custo
respectivament computacional do
Modelo
FBI-LSSVC-
e
fFS
ase de
pode ser alto,
construção
especialmente
quando o
o número de
instâncias de
dados é grande.
Além disso, a
capacidade do
amostras de
LSSVC de tratar
não temoucom
dados
dados
ruído
YOLOv3 Management
system)
Hani Alzraiee, Algoritmos Conjunto de
Andrea Leal Ruiz; supervisiona dados de
e Robert Sprotte dos Redes fotogrametria do
(2021) neurais Google Maps
convolucionai
s de região
mais rápidas
(R- CNN)
Jonpaul Nnamdi
Opara, Aunt Bo Algoritmos Os dados da
Thein, Shota Izumi, supervision pesquisa foram
Hideaki Yasuhara ados - coletados por um
e Pang-Jo Chun Uma veículo de
(2021) técnica de pesquisa
aprendizag chamado RIM
em (Road space
profunda - Information
foram
investigados
Identificar os neste
defeitos de trabalho
marcação do Muitos
pavimento com estudos
um nível de mencionar
confiança que am que os
varia de motivos
de 43% a 99%. que
usando contribue
aprendizagem m para os
profunda defeitos
algoritmo no
denominado pavimento
redes neurais também
convolucionais contribue
de região mais m para os
rápida (R-CNN) defeitos
para na
prever uma marcação
solução de do
marcação de pavimento,
defeitos. portanto,
o estudo
não aborda
a relação
Detectar entre eles.
rachaduras em No entanto,
pavimentos essa
automaticamente estrutura
. Além disso, o pode ser
pavimento da expressa em
Estrada Nacional uma
foi fotografado ferramenta
de inspeção
completa para
defeitos de
estrada e
defeitos de
marcação de
pavimento.
Um
problema é
descrito
quando há
vários tipos
de
rachaduras
em uma
imagem; há
um caso
em que a
resposta
exata é
usando RIM e nem sempre pode ser

analisado por obtido. Se esse
YOLOv3 para resolvido, seria
examinar a um valor
detecção de agregado.
rachaduras
estudo promoveu o
desempenho. Tiny-YOLOv4 como
Uma técnica de o modelo adequado
aprendizagem
profunda
YOLOv3 usa
apenas recursos
aprendidos por
uma rede neural
convolucional
profunda.
o IoU médio é de
50,39%. A partir
da visualização
dos resultados
da análise.
Detectar
Todkar, S. S., Algoritmos Um modelo de descolamentos
Baltazart, V., supervisionad pavimento gerado milimétricos
Ihamouten, A., os Máquinas usando o entre camadas
Dérobert, X., & Le de vetor de GprMax e dados a partir de
Bastard, C. (2021) suporte de experimentais na imagens de
uma classe Universidade varredura B do
(OCSVM) Gustave Eiffel, radar de
Campus de penetração no
Nantes, local do solo (GPR).
Teste de Os testes de
Pavimento simulação
Acelerado (APT). permitem
Ambos os realizar uma
conjuntos de análise de
dados são sensibilidade
adquiridos/gerados para descobrir a
usando as duas robustez do
configurações: método de
GPR acoplado detecção em
ao solo e várias relações
lançado do ar sinal-ruído (10
dB a 60 dB).
Syed Ibrahim
Hassan a, Dympna Algoritmos
O'Sullivan b e supervisiona
Susan Mckeever c dos Redes
(2021). neurais O conjunto de
convolucionai dados de buracos Encontre as
s de região do Kaggle, uma condições da
mais rápidas classe positiva estrada
(R- CNN) (buraco presente) automaticament
618 imagens e criando um
modelo de
aprendizado
generalizado
para a detecção
de buracos. O
O trabalho
se limita à
detecção
de um
único
defeito no
pavimento
- buracos.
No entanto,
isso pode
ser
estendido
para
detectar
vários
defeitos no
pavimento,
Um conjunto como
de dados rachadura
conhecido s,
sem remendos e
descolamento é sulcos. O
usado para modelo
treinar o treinado
modelo
OCSVM. A
existência de
dados de
descolamento
(outliers)
nesse
conjunto de
dados de
aprendizado
pode distorcer
o modelo de
classificação,
resultando em
detecção falsa
(falso
negativo e/ou
falso positivo).
O OCSVM
também é
limitado pelo
número de
classes para
classificação
(inliers ou
outliers);
No entanto,
essa faixa não
pode ser usada
para
classificação
multiclasse
Detecta lombadas em
para detecção rodovias e baseia-se
de buracos em na análise das
tempo real com leituras do
90% de acelerômetro e do
precisão de giroscópio
detecção e (resultados de
31,76 FPS. regressão robustos).
Portanto, ele Ele usa um sistema
está RUS-Boosted
comprovando
a força da
abordagem
proposta para
a detecção de
buracos e
Praticò, F. G., Algoritmos Assinaturas implantado no
Fedele, R., supervisionad (usando sensores OAK-D para
Naumov, V., & os ANNs, acústicos, detecção em
Sauer, T. (2020) floresta localizados na tempo real.
aleatória, beira da estrada) Localizar e
SVM classificar o
estado de
saúde
estrutural
(SHS) de um
pavimento
rodoviário com
rachaduras
diferentes com
base em sua
assinatura
vibroacústica.
ANNs,
classificadores
de floresta
aleatória e um
conjunto de
modelos de
máquina de
vetor de
suporte foram
Kyriakou, C., implementados
Christodoulou, S. 2124 pontos para para comparar
E., & Dimitriou, L. Algoritmos treinamento, a eficiência dos
(2021) supervisiona 1453 pontos para modelos ANN
dos Árvores validação e 1625 desenvolvidos
RUS-Boosted para previsão, e os resultados
dos quais 25% mostram
foram retidos grande
para fins de precisão (ou
validação cruzada seja, MLP =
91,8%, CNN =
95,6%, RFC =
91,0%, e SVC
= 99.1%).
usado é
pode ser limitado à
implantado de gama de
várias defeitos
maneiras - detectados,
para detecção que são
off-line em apenas
lotes de aqueles
imagens ou em que causam
um smartphone vibração no
ou outro veículo, e à
hardware, ausência
como o Nvidia de defeitos
Jetson Nano, que não
para detecção estejam na
de buracos roda do
em tempo real veículo
.detecção
Os métodos
comumente
usados para
realizar essa
tarefa
tornaram-se
insustentáveis
(ou seja,
destrutivos,
limitados
espacialmente
e caros) e
obsoletos (por
exemplo, não
permitem o
monitoramento
contínuo ou
não são
capazes de
fornecer
informações
em tempo
real).
O método
autotreinamento
O modelo de que usou dados
classificação de rotulados e não
árvores para rotulados para
detectar avaliar de forma
lombadas e abrangente os IRIs
experimentos de
campo foram
realizados usando
um smartphone
colocado dentro
de um veículo
em movimento
em posições de
montagem
específicas. A
taxa média de
detecção de
lombadas foi de
99%,
considerada
Guo, J., Wang, Q., Algoritmo 7.994 imagens mais alta em
& Li, Y. (2021) semissuper brutas de fachadas comparação
visionado com todas as
outras técnicas
existentes.
Desenvolver
um classificador
para encontrar
os defeitos em
imagens de
fachadas. Para
o setor
acadêmico, o
algoritmo é
melhorado pelo
filtro de
incerteza para
obter um
melhor
desempenho.
Para o setor, o
pode alcançar
Liu, C., Wu, D., Algoritmo dados de uma maior
Li, Y., & Du, Y. semissuper crowdsourcing de precisão com o
(2021) visionado vários veículos mesmo
conjunto de
dados
rotulados, o
que reduz o
tempo e o custo
do trabalho de
rotulagem
Foi desenvolvido
um algoritmo
de SSL de
combina
caminho. Isso ção dos
poderia ser algoritmo
resolvido por s SSL e
meio do MAE
sensoriamento para
participativo. resolver
o
problem
a de
estimativ
a de IRI
para
seções
de
estradas
com as
iteraçõe
s
posterio
res
também
é
O efeito importa
limitado dos nte.
dados não
rotulados para
aumentar a
precisão. No
entanto, uma
expressão para
esse limite é
que o modelo
pode ter
atingido um
teto de
aprendizado de
novos recursos
a partir dos
dados não
rotulados.
Portanto, o
método de
aprendizado
semissupervision
ado tem uma
capacidade
limitada de
aumentar a
precisão.
O método de
direção para mais

pesquisa.
Amila Akagic, Algoritmo não informações
Atingir o caso de Um defeito
Emir Buza, Samir supervisionado fotométricas de 50
imagens com após a
Omanovic, Almir imagens
baixa relação aplicação é o
Karabegovic(2018) sinal/ruído. ruído indesejado
O método pode nas imagens
ser usado para resultantes para
estimativa alguns
aproximada de casos. No entanto,
rachaduras no o ruído pode ser
pavimento de removido com a
superfície de aplicação de um
asfalto. É um filtro simples de
método não remoção de ruído
supervisionado; na etapa de pós-
portanto, não processamento
requer a adicionada.
existência de uma
grande
Haifeng Li, Dezhen Algoritmo não -O conjunto de quantidade de
Desenvolver Foi criado um
Song, Yu Liu e supervisionado dados AigleRN tem umdadosnovo modelo de
Binbin Li(2018) 38 imagens. necessários
método MFCD avaliação de trincas;
-O conjunto de o
para detectar no entanto, a trinca
treinamento.
dados CFD tem 118 rachaduras em O foi selecionada como
imagens método
imagens deé a trinca detectada
O conjunto de simples
pavimento se passasse no
dados
O aprendizado de máquina afetou -APR
a detecção e eficiente.
de buracos por meio dateste de hipótese
classificação do
contém 33 imagens estatística.
aprendizado de máquina (Wu et al., 2020). A principal competência do aprendizado de máquina
usado na detecção de buracos é a classificação de máquina, que envolve o uso de um modelo
construído com um conjunto de dados treinado para fazer previsões com base em um conjunto
de variáveis no teste. Além disso, Angulo et al. (2020) postularam que, além de romper as
limitações do método tradicional de detecção de buracos, incluindo o foco em tipos
específicos de danos nas estradas, por exemplo, rachaduras e buracos, e a incapacidade de
trabalhar em situações extremas, o aprendizado de máquina oferece sistemas de detecção e
classificação de defeitos nas estradas baseados em visão que são mais baratos e econômicos
em comparação com os métodos tradicionais de IA.
3.2.1. Algoritmo supervisionado
Algoritmos supervisionados, incluindo Rede Neural Artificial (ANN), Máquina de Vetor
de Suporte, Regressão Logística, Floresta Aleatória e Naïve Bayesian, são usados no

treinamento rotulado
dados de treinamento para fazer previsões (Cao, Liu, & He, 2020). Por exemplo, o aprendizado
supervisionado é usado no treinamento de um modelo de Rede Neural Artificial (RNA) para
fazer previsões por meio de neurônios artificiais, portanto, capaz de resolver problemas de
reconhecimento de padrões (Hoang, 2018). Portanto, o neurônio pode aprender adotando valores
de pesos, que são usados para determinar o valor oculto e o peso com base na entrada fornecida,
que é a base do aprendizado supervisionado para identificar defeitos nas estradas. Além disso,
Chun e Ryu (2019) descreveram o aprendizado supervisionado como o treinamento de modelos
usando conjuntos de dados que unem dados de entrada com dados rotulados. Assim como a
ANN, a rede neural convolucional (CNN) aproveita as informações da imagem como dados de
entrada. Ao usar algoritmos supervisionados, um conjunto de dados de imagens de estradas
com buracos e sem buracos é usado para treinamento e validação do modelo, também
conhecido como verdade terrestre (Hoang, 2018)
Além disso, o Support Vector Machine (SVM) é um modelo de aprendizado de máquina
supervisionado que, quando um conjunto de dados é inserido no sistema, avalia os padrões de
busca de dados para análise de classificação (classes ou grupos) e regressão (relação contínua
entre variáveis de dados) (Cao et al., 2020). O algoritmo SVM classifica os conjuntos de
dados encontrando um hiperplano que otimiza a diferença entre os clusters de pontos de
dados de diferentes classes. A vantagem dos SVMs é sua capacidade de classificar dados com
rótulos diferentes, além de sua eficácia em espaço de alta dimensão e eficiência de
memória. Shi et al. (2016) adotaram a crack forest, uma estrutura que usa florestas de estrutura
aleatória, para detectar rachaduras irregulares em estradas ao longo das bordas e rachaduras que
apresentavam estruturas topológicas complexas. Para isso, Shi et al. (2016) extraíram recursos da
estrada de vários níveis e direções, que foram usados no treinamento do modelo de floresta
aleatória para detectar defeitos semelhantes ao longo das bordas e nas superfícies
arredondadas.
Uma das aplicações mais amplas de um algoritmo supervisionado é a detecção
automática de rachaduras no pavimento, que exige o pré-processamento da imagem da
rachadura para suavizar a textura e aumentar a
viabilidade das rachaduras existentes (Kyriakou et al. (2021). Após o pré-processamento, a
imagem é segmentada em vários blocos não sobrepostos com vetores de recursos exclusivos.
Esse processo é apoiado pelo SVM na detecção de rachaduras.
3.2.2. Algoritmo não supervisionado
O aprendizado não supervisionado é descrito como um algoritmo de aprendizado de
máquina usado para gerar novos dados de entrada ou encontrar recursos ocultos de conjuntos
de dados com dados de entrada, mas sem respostas rotuladas (Goodfellow, Bengio, &
Courville, 2016). Portanto, a diferença entre os algoritmos supervisionados e não
supervisionados é a ausência de rótulos de dados durante o treinamento dos modelos. Em outras
palavras, os algoritmos não supervisionados usados em modelos de treinamento não têm
amostras rotuladas nem resultados definidos para a saída, o que significa que eles ajudam o
computador a aprender a relação entre as amostras e a classificá-las por si só. O fato de os
algoritmos não supervisionados não precisarem rotular os conjuntos de dados é considerado
mais preciso, pois reduz o impacto de fatores subjetivos humanos nos resultados. Outro estudo
realizado por Kumar et al. (2019) postulou que os algoritmos não supervisionados oferecem
melhor treinamento para os conjuntos de dados usados no desenvolvimento de um modelo de
treinamento, porque sua precisão na detecção e quantificação de defeitos em estradas não
depende dos parâmetros do modelo. Por exemplo, o algoritmo não requer iluminação avançada e
pode funcionar em qualquer condição de iluminação, exceto sob luz solar direta.
A literatura anterior adotou um algoritmo não supervisionado para treinar modelos
para detectar danos em estradas. Por exemplo, Cao et al. (2020) usaram um método inovador
não supervisionado que envolveu um histograma de cinza e o método Otsu para detectar
rachaduras em estradas com uma baixa relação sinal-ruído. Da mesma forma, Amhaz et al.
(2016) aproveitaram a seleção de caminho mínimo para modificar o método de
aprendizado não supervisionado de detecção de rachaduras em estradas. O algoritmo
aprimorado reduziu os artefatos de loop e pico usados na detecção de rachaduras em estradas.
Outra pesquisa de Li et al., (2018) integrou um algoritmo não supervisionado
com o caminho de intensidade mínima da janela para obter rachaduras em todas as escalas da
imagem. O algoritmo aprimorado compara várias rachaduras e desenvolve um modelo para
avaliar rachaduras usando hipóteses estatísticas multivariadas
3.2.3. Algoritmo semissupervisionado
O semissupervisionado é uma mistura entre algoritmos supervisionados e não
supervisionados, integrando a combinação certa de conjuntos de dados rotulados e não
rotulados (Cholaquidis, Fraimand, & Sued, 2018). A pesquisa mostrou que muitos dos
conjuntos de dados não rotulados usados no algoritmo semissupervisionado são pseudo-
rotulados para que se obtenha um grande conjunto de dados. Embora ter um conjunto de dados
grande e rotulado fosse ideal para a detecção de danos em estradas. O processo de uso de um
algoritmo semissupervisionado na detecção de danos em estradas começa com o treinamento
de um modelo para detectar danos em uma superfície de estrada usando dados rotulados. O
algoritmo usa um conjunto de dados de imagem não rotulado dos modelos treinados para obter um
conjunto de dados de imagem de saída previsto, que é considerado um conjunto de dados de
imagem semirrotulado. Para aumentar a eficiência do modelo de imagem treinado, é criado um
método de conjunto, composto de vários modelos, de modo que a detecção não dependa apenas
de um único modelo treinado com o melhor desempenho, mas sim de uma integração dos
resultados de vários modelos treinados. Portanto, esses conjuntos de dados são combinados com
um conjunto de dados rotulados para treinar um algoritmo usado na detecção de danos em uma
superfície de estrada. A pesquisa mostrou que, apesar da capacidade do aprendizado
semissupervisionado de produzir resultados mais sofisticados por meio de um conjunto, ele
dificilmente é preferido ou usado sozinho porque esses conjuntos de dados exigem muito
tempo de treinamento (Chu & Ryu, 2019). Portanto, durante a detecção de danos em
estradas, tanto o aprendizado supervisionado quanto o semissupervisionado são usados. O
algoritmo supervisionado aproveita a estimativa sem conjuntos de dados pseudo-rotulados,
enquanto o algoritmo semissupervisionado usa conjuntos de dados rotulados e semirrotulados.
Uma combinação de aprendizado supervisionado e não supervisionado ajuda na
reduzindo os falsos positivos e, portanto, melhor desempenho na detecção de defeitos nas estradas,
em vez de depender apenas de conjuntos de dados treinados a partir de um algoritmo
supervisionado.
3.3. Análise de frequência
A frequência da câmera de amostragem montada nos veículos para coletar conjuntos de
dados para o modelo de treinamento é um fator principal que influencia a precisão da detecção
de danos nas estradas. A literatura anterior mostrou que as altas frequências de aquisição são
responsáveis por reduzir ao mínimo os defeitos ausentes (Du et al., 2020). A frequência de
amostragem é uma função do fluxo de tráfego, do ambiente experimental e do número de
veículos. Espera-se que uma câmera de amostragem de alta frequência montada em um veículo
de baixa velocidade resulte em melhor detecção de defeitos na estrada. Além disso, a montagem de
uma câmera de baixa frequência em um veículo de alta velocidade provavelmente resultará em
menos coleta de imagens.
Coenen e Golroo (2017) usaram o radar de penetração no solo (GPR) para determinar
rachaduras e afirmaram que a escolha de uma frequência alta de 5 GHz ou mais foi ideal para
atingir o objetivo do experimento. Esse é o ponto forte da seleção de uma taxa de alta frequência e de
ser mais precisa. Da mesma forma, Lorenzl (2012) estudou como as altas frequências poderiam
ser usadas na determinação de rachaduras e baseou sua pesquisa no GPR de 2 GHz. Os
resultados do experimento com base no GPR podem ser combinados com imagens coletadas
por uma câmera para desenvolver um modelo 3-D da estrada. A justificativa para a
adoção de altas frequências pode se basear nas afirmações de Joubert et al. (2011) de que, quando
uma câmera de 30 Hz é usada na coleta de imagens para detectar buracos, isso é feito em
baixa velocidade para evitar erros de detecção. No entanto, Joubert et al. (2011) recomendaram o
uso de uma câmera extra de alta velocidade com dispositivo de carga acoplada para compensar a
alta velocidade de condução.
3.4. Métodos de fusão de sensores
Uus et al., (2016) propuseram que diferentes sensores poderiam ser fundidos para formar
informações multidimensionais sobre a estrutura do pavimento. Os autores observaram que a fusão de
sensores se baseia em
registro espacial e sincronização de dados coletados por meio de sensores de navegação, como
GPS, DMI e INS. A justificativa para a fusão de sensores é aumentar a qualidade do sinal e as
informações de imagem utilizadas para a extração e classificação de recursos, melhorando assim
a detecção de danos ou defeitos em superfícies de estradas (Uus et al., 2016). Quando os
sensores instalados em veículos móveis e ao longo da estrada coletam dados brutos, os recursos e
parâmetros são pré-processados. Eles são usados para determinar a qualidade da estrada,
incluindo defeitos, artefatos e áreas de deterioração, e são extraídos e classificados. Os dados
de vários sensores são registrados e combinados com um receptor GPS para mapear os
defeitos detectados em uma estrada 2D. Os dados de saída do sensor estabelecem a
relação entre a superfície detectada e os defeitos da superfície com base em sua presença,
extensão e gravidade. A fusão de dados do sensor torna-se uma saída de suporte à decisão na
qual os operadores confiam para diagnosticar a condição das superfícies das estradas.
O sensoriamento veicular distribuído é um dos métodos mais predominantes de fusão
de sensores, que se baseia em pessoas e no sensoriamento móvel. Ele usa computadores de bordo
que foram integrados com acelerômetros, acesso Wi-Fi e GPS para detectar recursos na
estrada. O sensoriamento veicular integra vários sensores específicos de aplicativos, incluindo
sensores de microfones para análise de som e sensores de GPS para localização ( Kyriakou et
al., 2021). Os dois sensores são usados com um algoritmo genérico para detecção de
buracos orientada por localização e tempo a partir do som gravado pelo microfone.
4. Como os carros estão participando
A literatura anterior usou veículos como participantes de experimentos de detecção
de danos na superfície da estrada. Os veículos são equipados com sensores que são usados
na coleta de conjuntos de dados de treinamento. Por exemplo, Chun e Ryu (2019) usaram um
veículo equipado com câmeras para coletar conjuntos de dados de treinamento enquanto dirigiam
em uma estrada na Coreia do Sul. O veículo trafegava em vias expressas e por
O modelo de trabalho neural foi treinado para detectar automaticamente defeitos e danos
nas superfícies das estradas. Um smartphone foi instalado no local onde normalmente fica a
caixa preta, o que permitiu que as câmeras tirassem fotos com resolução de 1920 x 1080. Um
total de 6.756 conjuntos de dados rotulados foram coletados, segmentados e categorizados em
seis classes com base em imagens obtidas ao dirigir em estradas. A precisão do experimento
foi relatada como 0,8728 e 0,9387 quando os algoritmos supervisionados e não supervisionados
foram usados no treinamento do modelo de redes neurais.
Além disso, Lin, Chen e Kuo (2021) usaram um veículo movendo-se a 27,8 FPS
(aproximadamente 30 km/h), por meio de duas lentes de imagem equipadas com diferentes
campos de visão (Fives) de 30° e 70°. O conjunto de dados coletados foi treinado por meio da
aprendizagem profunda, especialmente o YOLOv3 (you only look once, version 3), para treinar um
modelo de detecção automática de buracos, rachaduras e outros defeitos nas estradas. As lentes das
imagens foram instaladas no painel do veículo, sendo que uma lente FoV de 30° foi responsável pela
detecção de defeitos na estrada à distância, enquanto a lente FoV de 70° compensou a detecção
de defeitos na estrada a distâncias próximas e médias. A detecção de defeitos na estrada
chegou a 71%, com uma taxa de erro de 29%. Da mesma forma, Radopoulou e Brilakis
(2016) usaram um veículo, movendo-se a 10 -15 km/h, com uma câmera montada na traseira,
abaixo da placa de identificação, para coletar um conjunto de dados para treinar um modelo SFT
para detectar automaticamente buracos, rachaduras e remendos. A precisão relatada
na identificação de buracos usando as câmeras e o algoritmo STF foi de aproximadamente 74%.
Apesar da tendência acima na literatura, Du et al. (2020) observaram que o uso de vários
carros é recomendado porque é difícil para um único carro detectar todas as características de
desgaste de uma superfície de estrada. Portanto, o uso de um único carro predispõe o resultado a
inconsistências atribuídas a erros de detecção. O uso de vários veículos (pelo menos
cinco) oferece espaço para a sobreposição de várias detecções, e a correspondência de
dados oferece uma perspectiva mais ampla sobre a condição da estrada.
5. L imitações e desafios
5.1. Eixo
A maioria dos estudos utilizou menos de três sensores na detecção de buracos e
rachaduras porque eles dependem principalmente das vibrações do carro para determinar a
qualidade da estrada. O uso de menos de três sensores prejudica a precisão dos dados
coletados, pois não leva em conta todos os aspectos dos recursos detectados. Embora possa
haver algumas pequenas variações no tempo gasto na extração de recursos ao usar mais eixos,
todo o processo é rápido o suficiente para ser concluído em tempo real e oferece mais variáveis de
recursos, proporcionando, portanto, uma representação mais precisa da qualidade da estrada
(Basavaraju, Du, Zhou, s & Ji, 2020). Isso ocorre porque quando os recursos de pelo menos três
eixos são usados no treinamento de um classificador de linguagem de máquina, isso resulta em
menos perdas e melhora o desempenho em comparação com o uso de recursos de um único eixo
(perpendicular ao solo). Cada eixo é dedicado a medir uma atividade específica e a melhorar as
taxas de precisão e de recuperação de rachaduras.
Portanto, o desafio, embora vários estudos tenham usado o eixo Y, que se
concentrou na coleta de recursos orientados à vibração, é possível usar mais eixos para
aumentar a precisão e a taxa de recuperação, de modo que os resultados não dependam da
detecção de buracos, mas também de outros recursos, como rachaduras e rugosidade da superfície
da estrada. Por exemplo, em um estudo que usa três eixos, os eixos X, Y e Z são usados na
medição da aceleração vertical tridimensional, que envolve o monitoramento do movimento para
cima e para baixo da vibração do veículo, facilitando a detecção de anomalias (Salau, et
al., 2019).
5.2. Velocidade
Katicha, Khoury e Flintsch (2015) estudaram o efeito da aceleração do veículo na
qualidade da detecção da rugosidade da estrada. Para isso, o autor usou medições de
aceleração da carroceria do veículo de sondagem, o que envolveu a comparação da medição do
veículo de sondagem com as medidas do perfilador
usando o índice de rugosidade do veículo com sonda (PVRI) e a aceleração vertical do veículo.
Os autores usaram o PVRI no estudo não só porque ele se aproxima do índice de rugosidade
internacional (IRI), que determina a qualidade da estrada, mas também porque as medições de
aceleração obtidas por um carro-sonda são uma representação da resposta de aceleração de um
carro normal, conforme mostrado na Figura 6. Com base nos cálculos do veículo de sondagem, o
estudo observou que, com uma frequência de amostragem de 10Mz, em intervalos de 2200
mm, a velocidade de deslocamento era de 80 km/h. No entanto, eles associaram o intervalo
a altos conflitos nos resultados porque a distância era muito grande para capturar todas as
variáveis para os cálculos. O autor recomendou que futuros experimentos com carros-sonda
considerem o uso de uma frequência de 1000 Hz, pois o PVRI calculado é baseado na taxa de
amostragem.
Portanto, a precisão da detecção de defeitos na estrada depende não apenas da
velocidade dos veículos, mas também da frequência da câmera usada na detecção dos defeitos
(Du et al., 2020). Como resultado, a probabilidade de coletar uma imagem em um local específico
da superfície da estrada por meio da detecção de um veículo em uma via expressa depende da
velocidade de deslocamento do veículo e da frequência da câmera de amostragem. Portanto, um
carro em alta velocidade de deslocamento com uma câmera de baixa frequência pode perder
algumas informações sobre a superfície da estrada e apresentar baixa detecção de defeitos na
estrada. Por outro lado, um veículo que viaja em baixa velocidade com uma câmera de
amostragem de frequência provavelmente detectará melhor a superfície da estrada, mas corre o
risco de duplicar os recursos detectados. O estudo recomendou uma velocidade de
deslocamento de 50 km/h, com frequências de câmera de 2 Hz para uma melhor detecção de
defeitos na estrada usando cinco veículos. Portanto, a velocidade pode ser aumentada
gradualmente para que seja possível detectar defeitos em rodovias. A detecção em rodovias
precisa de alta velocidade e alta frequência do dispositivo sensor coletado por cinco veículos.
Nesse desafio, é possível comparar os resultados de cada veículo e atingir a meta de detecção
de defeitos nas estradas.
30000
25000
20000
Rodas esquerdas
Pontos de
(Partida)
15000 Rodas direitas
dados
(Chegada)
Rodas dianteiras
10000Rodas traseiras inteiras inteiras
5000
0
5 MPH 10MPH 15 MPH
Velocid
ades
Figura 6 . Um exemplo da resposta do sensor em diferentes velocidades

do veículo
Conforme destacado acima, Radopoulou e Brilakis (2016) fizeram experimentos usando um
veículo que viajava a uma velocidade entre 10 e 15 km/h para coletar imagens que foram usadas
no treinamento do modelo STFs sobre como encontrar rachaduras na superfície da estrada. De
acordo com os autores, a baixa velocidade foi preferida à alta velocidade porque eles queriam
mitigar os efeitos das vibrações inesperadas do carro enquanto ele viajava pelas estradas das
cidades, o que poderia ter afetado a qualidade dos dados coletados. Por outro lado, a
dinâmica de cada veículo, como a suspensão e as camadas, faz com que um veículo de
alto desempenho, como um BMW M3, experimente buracos de forma diferente de um veículo
off-road, como um Range Rover.
5.3. Custo
Para detectar com precisão os defeitos da estrada, são necessárias estratégias robustas
para monitorar a qualidade da superfície da estrada (Kim & Ryu, 2014). No entanto, a literatura
anterior apontou que os métodos para detectar e avaliar manualmente o desafio da qualidade da
estrada são caros e demorados (Kim & Ryu, 2014; Wang et al., 2017). No entanto, existem
métodos mais econômicos e simples
tecnologias que poderiam ser usadas para detectar automaticamente defeitos nas estradas, mas
há preocupações quanto à sua precisão. Um experimento simples e econômico poderia ser
usado para determinar o desgaste do pavimento. Por exemplo, um sistema de inspeção da
qualidade da estrada em tempo real e de baixo custo baseado na técnica de digitalização transversal
3D de alta velocidade, equipado com um projetor de linha de laser infravermelho e uma câmera
digital, poderia ser usado para detectar problemas no pavimento, como rachaduras, buracos e
empurrões (Radopoulou et al., 2016). No entanto, ela sofre de baixa precisão de detecção,
principalmente devido ao seu procedimento de calibração limitado, que aceita poucas amostras
de imagens coletadas.
Além disso, o sensor Kinect foi usado na detecção de buracos e se mostrou econômico.
Moazzam et al., (2013) adotaram essa técnica para coletar imagens da profundidade do
pavimento de estradas de concreto e asfalto. Com base nos resultados das imagens coletadas, eles
usaram as imagens para determinar o volume dos buracos usando a área do buraco e a
profundidade correspondente. Eles aplicaram a regra trapezoidal nas curvas de área e
profundidade obtidas e conseguiram determinar o volume dos buracos. Embora econômico,
em comparação com o custo do uso de câmeras e sensores industriais, ele usa uma
amostra pequena e, portanto, pode não afetar sua precisão na detecção automática de buracos
se os resultados dos experimentos forem usados na criação de um modelo de treinamento. Em
resumo, os experimentos ou métodos baseados em visão oferecem estratégias econômicas de
detecção e localização de defeitos em estradas, mas sofrem com a imprecisão causada pela
distorção e pelo ruído nos dados de imagem e vídeo coletados. Portanto, Kim e Ryu (2014)
recomendaram a adoção de uma tecnologia mais eficiente capaz de detectar vários recursos de
imagens 2D para aumentar a probabilidade de detectar e encontrar com precisão vários
problemas na estrada.
5.4. Telefone celular
Os telefones celulares, especialmente os smartphones, têm sido usados na implementação
de sistemas automatizados de detecção de buracos com base em vibração (Wu et al., 2020). Um
aplicativo é instalado no telefone
e envia sinais de vibração e dados de localização para um servidor ou computador. O aplicativo pré-
processa os dados coletados por meio de reamostragem, filtragem e reorientação. Em
seguida, ele utiliza uma janela deslizante para dividir o sinal contínuo em segmentos.
Por outro lado, a rede de comunicação móvel envia informações sobre os segmentos do
buraco adquiridos por meio de um limiar simples. O servidor usa um classificador de aprendizado
de máquina pré-treinado para encontrar buracos reais com base em recursos extraídos dos dados
carregados. Os dados coletados de vários veículos são usados para encontrar os buracos, que o
algoritmo agrupa para encontrar a realocação dos buracos.
Conforme destacado, esses desafios são caros, mas poderiam ser mais baratos, por
exemplo, se os telefones celulares não fossem usados. Como os sistemas automatizados de
detecção de buracos com base em vibração são baseados em sensores móveis, ou seja,
acelerômetro e GPS, e não em telefones celulares, esses sensores podem ser instalados nos
veículos, tornando os telefones celulares redundantes. Além disso, é possível argumentar que a
substituição do acelerômetro do carro por um aplicativo para medir a velocidade do veículo em
movimento e enviá-la ao servidor para pré-processamento expõe o sistema de detecção de
buracos a desvantagens, como mau funcionamento do telefone ou do aplicativo ou
incompatibilidade das tecnologias, além de outras preocupações relacionadas à duração da
bateria e à corrupção de dados. Portanto, entre os custos extras de compra do telefone celular, a
configuração de todos os dispositivos que compõem a tecnologia, o risco de
incompatibilidade dos dispositivos, as preocupações com a duração da bateria do telefone
celular e a corrupção dos dados de sinal geram muitas trocas evitáveis.
5.5. Algoritmo
Uma grande variedade de algoritmos foi adotada pela literatura anterior para obter
modelos de trem para detectar automaticamente os defeitos da superfície da estrada. A justificativa e
o desafio para a existência de vários algoritmos é que não há um algoritmo ideal único que possa
ser usado em cada caso e, portanto, o melhor algoritmo sempre depende da natureza do
problema. Por exemplo,
Radopoulou e Brilakis (2016) usaram a floresta de texturas semânticas (STF), um algoritmo
supervisionado em uma região de interesse rotulada no pavimento para treinar um modelo de
conjunto de dados para detectar automaticamente rachaduras longitudinais e transversais a partir
de dados coletados de estradas nas ruas de Cambridge. O STF foi preferido porque seu uso de
recursos de kernel em vez de recursos de ponto durante as decisões aleatórias de
treinamento do classificador/modelo permitiu o uso de vários recursos na segmentação,
incluindo cor, textura e contexto. Isso promoveu a precisão da detecção de várias rachaduras
longitudinais e transversais nas calçadas.
Da mesma forma, Wu et al. (2020) utilizaram um algoritmo de detecção de
buracos, que era um arranjo de filtros que incluía velocidade, velocidade vs. relação z, pico z,
relação xz e passa-alta para descartar um tipo de evento que não fosse buraco com base nos dados
coletados pelos sensores móveis (acelerômetro, GPS) instalados. O algoritmo tratou o limite de
cada um dos filtros como parâmetros de ajuste para aumentar a precisão do sistema na
detecção de buracos, que é a essência do aprendizado de máquina. O algoritmo ajudou a
agrupar os resultados com base na localização e, portanto, a obter a localização do buraco com
uma precisão de 92,4%.
Além disso, Bosi et al. (2019) adotaram um método de detecção de buracos que usava
veículos em movimento como sensores virtuais para avaliar as vibrações. Os veículos foram
equipados com um sensor, um smartphone e uma unidade de medição interna. O acelerômetro
coletou dados, que foram normalizados e usados pelo algoritmo de detecção de buracos para
obter informações por meio da interpolação de um GPS. Os autores usaram o algoritmo de
detecção de buracos devido à sua capacidade de lidar com técnicas de fusão de dados usadas
em sensores virtuais. Portanto, o módulo treinado pelo algoritmo coletou dados de sensores
montados no veículo, processou o grande conjunto de dados e enviou os resultados para
discussão detalhada. Portanto, o experimento seguiu três etapas, incluindo a coleta e a
normalização dos dados por
o acelerômetro, o módulo de treinamento para detectar buracos usando o algoritmo e usando o
GPS para localizar o buraco.
6.Tendências futuras
6.1. Processamento do tipo multissensor.
Os pesquisadores estão explorando a possibilidade de realizar o monitoramento
em tempo real das condições das estradas e o processamento para possível detecção
automática de problemas nas estradas (Bosi et al., 2019; Cao et al., 2016; Chun & Ryu, 2019;
Radopoulou et al., 2016). A literatura recente examinou como diferentes sensores de
acelerômetro, não apenas aqueles relacionados ou usados com smartphones, computadores, tablets
e outros servidores, poderiam ser adotados na detecção de defeitos em estradas e fornecer
notificações em tempo real sobre rachaduras, buracos e lombadas, entre outros defeitos em
estradas (Guerrero - Ibáñez et al., 2018; Lin et al., 2021; Maeda et al., 2018). Os estudos
projetaram que as tecnologias de GPS poderiam ser acopladas a sensores para obter uma
solução orientada por estratégia para coletar e usar informações sobre a condição da estrada
para melhorar a manutenção da estrada.
Por outro lado, o escopo da aplicação dos sensores está se expandindo. A literatura
anterior mostra que os fabricantes de automóveis aproveitaram a capacidade de detecção automática
dos sensores para expandir sua aplicação em segurança e gerenciamento de tráfego, entre outros
(Guerrero-Ibáñez et al., 2018). Portanto, os automóveis integraram sensores internos aos
veículos para aumentar os recursos de detecção e comunicação e oferecer sistemas de
transporte inteligentes. Além disso, as instituições governamentais estão instalando câmeras
e sensores ao longo da estrada para monitorar dados brutos sobre o ambiente e as
condições de tráfego
Apesar do sucesso obtido com o uso de sensores na coleta de conjuntos de
dados, que são pré-processados e usados em modelos de treinamento, há necessidade de
mais desenvolvimento. Por exemplo, o foco deve estar na otimização das soluções de
processamento de sinais e imagens para aprimorar e
O gerenciamento eficaz de fluxos de dados brutos de sensores para aprimorar a
detecção de características de defeitos e, ao mesmo tempo, minimizar o efeito de fatores
ambientais e dispositivos usados (Uus et al., 2016). Além disso, os sistemas baseados em
conhecimento usados na extração de características de conjuntos de dados coletados precisam ser
aprimorados para adotar técnicas mais sofisticadas de reconhecimento de padrões para melhor
segmentação de características e identificação de características de defeitos em estradas. Além
disso, um dos principais desafios abordados na literatura revisada é o custo excessivo das câmeras
industriais, dos sensores e da montagem do sistema para a detecção e a identificação precisas de
problemas nas estradas. Portanto, os trabalhos futuros devem explorar a possibilidade de
sensores e tecnologias mais baratos que possam ser adotados sem comprometer a precisão e a
confiabilidade do monitoramento de problemas nas estradas.
6.2. Participação em massa (grande frota de carros)
As empresas de aluguel de carros adotaram sensores e tecnologia de sensoriamento integrando
perfeitamente os dispositivos de sensoriamento em suas frotas de carros. Sai et al. (2019)
observaram que as empresas de aluguel de carros são beneficiárias do rápido
desenvolvimento de aplicativos on-line baseados na Web, que foram integrados a alertas
de conteúdo baseados em GPS, para melhorar a acessibilidade dos carros a todas as pessoas a
um custo mínimo. Portanto, a implementação de dispositivos de detecção (IoT) em locações está
ajudando o cliente a obter conforto e privacidade em suas viagens. A perfeição desses sistemas
está transformando as viagens em táxis ou carros de aluguel, já que os carros de aluguel podem
acessar um grupo maior de clientes que solicitam serviços nas cidades. A tecnologia está ajudando
os táxis e as agências de aluguel de carros a aumentar sua participação no mercado e as pessoas a
ter acesso fácil aos carros, especialmente em cidades onde viajar de táxi faz parte da vida
urbana.
Além disso, Khatun et al. (2019) observaram que a tecnologia IoT, implementada por
meio de sensores e GPS, está aprimorando as atividades de combustível de veículos com base
em dispositivos móveis, incluindo o monitoramento do abastecimento em tempo real. As
empresas de aluguel de carros podem considerar a instalação de sensores ultrassônicos de
combustível em suas frotas de carros para ajudar
Os sensores de combustível ultrassônicos são projetados para enviar notificações por meio de
aplicativos móveis quando o combustível estiver abaixo de um determinado nível. Os sensores
ultrassônicos de combustível são projetados para enviar notificações por meio de aplicativos
móveis quando o combustível estiver abaixo de um determinado nível. Os sensores são
integrados ao rastreamento por GPS que ajuda o sistema a encontrar os locais mais próximos
das bombas. Portanto, os motoristas podem contar com o sistema para gerenciar seus padrões de
recarga de combustível, especialmente durante a rota, e garantir que os passageiros desfrutem de
viagens ininterruptas porque o motorista esqueceu de encher o tanque de combustível antes
de iniciar a viagem.
A literatura mostrou que as rápidas inovações tecnológicas em blockchain e IoT estão
sendo integradas para promover a eficiência, a eficácia e a confiabilidade das agências de
aluguel de carros no fornecimento de carros prontamente disponíveis aos clientes (Nair et al.,
2020). Portanto, o b l o c k c h a i n permite o registro em massa de carros por agências ou
indivíduos que reúnem seus carros, não apenas para fornecer um recurso significativo aos
clientes que precisam deles, mas também como um meio de aumentar a sustentabilidade dos
recursos para minimizar as emissões de carbono. Os autores observaram que os proprietários ou
locatários de carros podem registrar seus carros e os usuários do blockchain podem escolher o carro
mais facilmente disponível e adquirir serviços por meio de uma transação ponto a ponto regida por um
sistema automatizado. O sistema monitora o uso do carro em tempo real usando sensores. As
informações coletadas ajudam a fazer programações de serviço e manutenção do carro, além de
tornar a disponibilidade e o uso mais confiáveis para as agências de aluguel de carros e os clientes.
6.3. Plano de desenvolvimento de manutenção de estradas
Depois de coletar, analisar, processar e atualizar com sucesso o status das
condições das estradas, o pessoal responsável pela manutenção das estradas deve desenvolver
estratégias sustentáveis para reabilitar e manter as estradas com base em um sistema de
gerenciamento de pavimento preciso e eficiente (Montoya-Alcaraz, 2019). Portanto, o
processo que sucede a análise das condições estruturais na área de interesse inclui o
georreferenciamento para determinar as partes críticas
da estrada e simulações para destacar o impacto de trabalhos de manutenção anteriores. Os
autores observaram que esse plano melhorou o desempenho da rodovia porque dá espaço para
o planejamento e a distribuição de recursos com base na necessidade. Portanto, ele ajuda a
tomar decisões adequadas de manutenção e reabilitação.
Os resultados de um modelo treinado usado na detecção de problemas nas
estradas fazem parte do conceito de suporte à decisão (DSC) e da decisão nas atividades de
planejamento para manutenção e reabilitação de estradas urbanas e de apoio (Marović et al.,
2018). Os autores recomendaram a adoção do conceito de apoio à decisão para aprimorar o
planejamento de melhoria das vias urbanas usando métodos multicritérios e redes neurais
artificiais. Como resultado, a interação adequada entre o DSC promove uma melhor
tomada de decisão durante o processo de planejamento. O planejamento ocorre em três níveis
de decisão, incluindo banco de dados, base de modelos e módulo de diálogo, mas todas as
interações relevantes entre os três níveis são realizadas durante o processo de tomada de
decisão. Portanto, os tomadores de decisão, as partes interessadas e os especialistas podem
interagir no processo ao lidar com vários problemas, sejam eles estruturados ou não
estruturados. O primeiro nível de gerenciamento inclui a integração de dados e informações e é
responsável pela definição e estruturação de problemas, bem como pela alimentação de
informações para os níveis de decisão mais altos. O segundo nível é o nível de
gerenciamento tático, responsável por tomar decisões táticas e criar soluções com base nas
informações obtidas. Dependendo da natureza do problema identificado, diferentes métodos
podem ser implementados. O terceiro nível de gerenciamento depende dos resultados
dos especialistas do nível anterior para formular estratégias e estruturas para a
manutenção de estradas.
Setianingsih, Sangaji e Setyawan (2017) observaram que uma das estratégias comuns é que
a maioria dos países do terceiro mundo e das economias emergentes dá prioridade a estradas
em boas condições que exigem trabalho e orçamento mínimos para manter e atingir um estado
estável de 100%. Os autores argumentaram que isso
O plano de manutenção de rodovias pressupõe que a preservação das rodovias oferece
resultados máximos para manter a condição das rodovias com custos de manutenção mais
eficientes. Na maioria dos casos, o planejamento é orientado por um processo de tomada de
decisão em dois níveis, ou seja, priorização e otimização, porque a manutenção de estradas é
cara e o Departamento de Transportes dificilmente tem recursos suficientes para garantir que as
estradas estejam em condições satisfatórias (Mikolaj & Remek, 2016). Como resultado, os
administradores de estradas dependem da priorização para lidar com o financiamento
insuficiente. Os administradores de estradas estabelecem prioridades com base nas
informações coletadas sobre as condições das estradas. Essas prioridades incluem pontos
negros, custo-benefício, tipos funcionais de comunicações rodoviárias, a gravidade do
problema da estrada e estradas com volume de tráfego extremo. No entanto, a otimização
é um fator crucial no planejamento porque a manutenção deve ser feita no tempo e no custo
ideais.
6.4. Janelas deslizantes
A janela deslizante é uma técnica de apoio à identificação automatizada de defeitos em
estradas. Ela é considerada uma das soluções futuras para os problemas de detecção de
defeitos em estradas. No entanto, há uma técnica de janela de eventos que é considerada uma
técnica útil além da sobreposição de janela deslizante. Um recurso é que as janelas deslizantes
podem obter uma sobreposição com base na sequência de descobertas de defeitos nas
estradas. Essa sobreposição pode se combinar a uma janela de eventos, que corresponde a
possíveis defeitos reais. Por exemplo, se houver quatro janelas deslizantes sobrepostas, pode
haver uma janela média. Essa técnica não é muito usada em pesquisas recentes e pode
ser desenvolvida para atenuar a sobreposição e pode ser uma solução para categorizar o
ponto de vibração mais alto ou mais baixo de defeitos na estrada. Essa categoria ajudará a
equipe de manutenção de transporte a encontrar um defeito óbvio na estrada que precise de
intervenção urgente de manutenção.
6.5. A ascensão dos veículos autônomos
O desenvolvimento e o uso de veículos autônomos (AVs) podem ser descritos com base
no respectivo nível de automação (níveis SAE) e nos domínios de projeto operacional (ODD) por
meio dos quais esses veículos fornecem recursos de automação (U.S Department of
Transportation, 2021). Os ODDs incluem condições climáticas, tipo de estrada e velocidade.
Além disso, ao contrário dos veículos genéricos, seu uso é influenciado pelo nível SAE de
direção e por vários casos de uso autônomo que foram projetados para ODDs específicos,
que interagem com os recursos da estrada de forma diferente. Em outras palavras, os AVs
afetam os operadores proprietários de infraestrutura de forma diferente e, portanto, o desgaste
da estrada. Por exemplo, dependendo de como os veículos autônomos são
implementados, posicionados e em pelotão, eles afetarão a condição do pavimento e
das pontes.
Do ponto de vista de uma parte interessada, os veículos autônomos exigem uma
alta manutenção dos sensores que apoiam sua implantação para uso da frota, mas podem
desafiar a infraestrutura de prova (U.S. Department of Transportation, 2021). No entanto, sua
adoção está aumentando rapidamente, especialmente para frotas comerciais, e pode levar a
uma parceria entre operadores de frota e proprietários-operadores de infraestrutura, o que
aumentaria a confiabilidade na manutenção devido a interesses compartilhados. No entanto, o
Departamento de Transportes dos EUA (2021) observou que o aumento da adoção de veículos
autônomos influenciará a qualidade e a uniformidade das características das estradas. Por
exemplo, a sinalização de marcação da estrada terá de ser consistente e bem mantida. Além
disso, como os VAs dependem de informações digitais, por exemplo, as zonas de trabalho
terão de ser padronizadas, concisas e seguras o suficiente para garantir que os VAs sejam
confiáveis.
Mais pesquisas sobre o potencial aumento de veículos autônomos nas vias
urbanas projetaram que essa tecnologia resultará em maior produtividade no setor de transporte,
redução dos custos e maior segurança (Noorvand et al., 2017). No entanto, os autores observaram
que a magnitude das consequências positivas ou negativas esperadas é indeterminada. Os
resultados preliminares afirmam que
que o efeito do posicionamento da carga de caminhões no projeto de infraestrutura de transporte
é o declínio da vida útil das estruturas do pavimento. No entanto, o uso de veículos
autônomos pode beneficiar a infraestrutura, especialmente o projeto do pavimento, se eles
forem implantados adequadamente, onde seu número aumenta para ocupar 505 veículos do
tráfego. Portanto, seu efeito na infraestrutura rodoviária dependerá da implantação. A
implantação adequada beneficiará o pavimento rodoviário, enquanto a implantação inadequada
resultará em danos prejudiciais à infraestrutura rodoviária, especialmente à suavidade do
pavimento, às rachaduras por fadiga e aos sulcos.
7. Conclusão
A manutenção e a reabilitação de estradas é um processo caro que requer vários recursos para
a coleta, a análise dos processos, a atualização do status das estradas e o projeto de
manutenção. No entanto, os administradores de estradas, o departamento de gerenciamento de
ativos públicos e outras partes interessadas têm recursos limitados para realizar suas tarefas,
mas são obrigados a garantir que as condições das estradas sejam satisfatórias. No
entanto, as rápidas inovações nas tecnologias de sensoriamento móvel, juntamente com o
aprendizado de máquina, proporcionaram vislumbres de esperança, já que os sistemas podem
ser treinados para coletar dados automaticamente por meio de sensores no veículo, que são
usados em modelos de treinamento para detectar automaticamente as características de
problemas nas estradas. Diversos tipos de algoritmos, divididos em algoritmos não
supervisionados, supervisionados e semissupervisionados, foram adaptados dependendo do
objetivo dos pesquisadores para implementar a detecção automática de características de
estradas, conforme indicado na Tabela 1.
A literatura revisada também mostrou que a precisão de vários sistemas de detecção de
pavimento treinados por algoritmo depende não apenas da velocidade de deslocamento do
veículo, mas também da frequência das câmeras usadas na coleta de imagens de dados.
Embora a qualidade do dispositivo do sensor possa ser alterada, como as câmeras, a literatura
revisada destaca que o uso de câmeras industriais e outros dispositivos padrão afeta a viabilidade
financeira da aplicação. Como resultado, o uso de
Foram exploradas configurações alternativas e mais baratas. Foi demonstrado que as
configurações mais baratas proporcionaram uma boa relação custo-benefício em detrimento da
precisão da detecção de características da estrada e podem ser usadas no transporte público,
como ambulâncias, veículos de bombeiros e veículos postais. Além disso, a precisão dos
algoritmos de aprendizado de máquina é automatizada e aprimorada quando vários veículos são
usados na detecção de características da estrada, pois isso reduz o risco de identificação
incorreta.
Além da manutenção de estradas, os aplicativos de sensores beneficiaram os serviços de
aluguel de carros. Eles levaram a um gerenciamento de combustível melhor e mais confiável e
aumentaram a confiabilidade na determinação da disponibilidade de carros, ajudando, assim, o
departamento de transporte por meio de relatórios atualizados do conjunto de dados de
defeitos e fornecendo aos clientes serviços satisfatórios. Portanto, o foco em dispositivos
de sensores de baixo custo, o uso de um algoritmo para automatizar o processo de identificação
e a disseminação de grupos de veículos com dispositivos de sensores instalados são fatores
valiosos para reduzir o problema de defeitos nas estradas e fazer com que o futuro das estradas
seja tranquilo. Por outro lado, o sensoriamento móvel levou aos veículos autônomos, que, de
acordo com a literatura revisada, transformarão o setor de transportes. No entanto, a
extensão de seu efeito na infraestrutura de transporte ainda não é totalmente compreendida.
Referência s
Ahmadi, A., Khalesi , S., & Golroo, A. (2021). Um modelo integrado de aprendizado de máquina
para detecção e classificação automática de rachaduras em estradas em áreas
urbanas. International Journal of Pavement Engineering, 1-17.
Alavi, A. H., & Buttlar, W. G. (2019). Uma visão geral da tecnologia de smartphone
para monitoramento de infraestrutura civil centrado no cidadão, em tempo real e
dimensionável. Future Generation Computer Systems , 93, 651-672.
Alzraiee, H., Leal Ruiz, A., & Sprotte, R. (2021). Detecção de defeitos de marcação de pavimento
usando R-CNN mais rápido. Journal of Performance of Constructed Facilities , 35(4),
04021035.
Akagic, A., Buza, E., Omanovic, S., & Karabegovic, A. (2018, maio). Detecção de rachaduras no
pavimento usando limiarização de Otsu para segmentação de imagens. Na 41ª Convenção
Internacional de Tecnologia da Informação e
Comunicação, Eletrônica e Microeletrônica (MIPRO) de 2018 (pp.
1092-1097).
IEEE.
Amhaz, R., Chambon, S., Idier, J., & Baltazart, V. (2016). Detecção automática de
rachaduras em
ima
gens bidimensionais de pavimento: Um algoritmo baseado na seleção de caminho
mínimo. IEEE Transactions on Intelligent Transportation Systems , 17(10), 2718-
2729.
Angulo, A., Vega-Fernández, J. A., Aguilar-Lobo, L. M., Natraj, S., & Ochoa -Ruiz, G. (2019,
outubro). Sistema de aquisição de detecção de danos em estradas baseado em redes
neurais profundas para gerenciamento de ativos físicos. Na Conferência Internacional
Mexicana sobre Inteligência Artificial (pp. 3-14). Springer, Cham.
Barriera, M., Pouget, S., Lebental, B., & Rompu, J. V. (2020). Monitoramento de pavimento in situ:
A Review. Infrastructures , 5(2), 18.
Basavaraju, A., Du, J., Zhou, F. & Ji, J. (2020). Uma abordagem de aprendizado de
máquina para avaliação de anomalias na superfície da estrada usando sensores
de smartphone. Sensores IEEE
Journal , 20(5),
Bosi, I., Ferrera, E., Brevi, D. e Pastrone, C. Plataforma de IoT no veículo que permite o
conceito de sensor virtual: Um caso de uso de detecção de buracos para segurança
cooperativa. Em Proceedings of the 4th International Conference on Internet of Things,
Big Data, and Security (IoTBDS 2019), páginas 232-240. DOI:
10.5220/0007690602320240
Cao, M. T., Chang, K. T., Nguyen, N. M., Tran, V. D., Tran, X. L., & Hoang, N. D. (2021).
Detecção automática baseada em processamento de imagem de sulcos em
pavimentos de asfalto usando uma nova abordagem de aprendizado de máquina
otimizada por metaheurística.
Cao, W., Liu, Q., & He, Z. (2020). Revisão dos métodos de detecção de defeitos no
pavimento. IEEE Access,
4, Doi: 10.1109/ACCESS.2017.
Chacra, D. A., & Zelek, J. (2018). Detecção de anomalias e defeitos na infraestrutura municipal.
26ª Conferência Europeia de Processamento de Sinais de 2018 (EUSIPCO).
doi:10.23919/eusipco.2018.8553322
Cholaquidis, A.; Fraimand, R.; Sued, M. On semi -supervised learning. arXiv2018,

arXiv:1805.09180v2
Coenen, T. B. J., & Golroo, A. (2017). A review on automated pavement distress detection
methods (Uma revisão sobre métodos automatizados de detecção de problemas em
pavimentos). Cogent Engineering, 4 (1). doi:10.1080/23311916.2017.1374822
D'Amico, F., Calvi, A., Bianchini Ciampoli, L., Brancadoro, M. G., & Tosti, F. (2017).
Avaliação do impacto da degradação do pavimento no conforto e na segurança ao dirigir
usando um modelo de simulação dinâmica.
Du, Y., Weng, Z., Liu, C., & Wu, D. (2020). Imagem dinâmica de sofrimento do
pavimento Stitching
Based on Fine-Grained Feature Matching. Journal of Advanced Transportation , 2020,
Artigo ID 5804835. https://doi.org/10.1155/2020/5804835
Gavilán, M., Balcones, D., Marcos, O., Llorca, D. F., Sotelo, M. A., Parra, I., Ocaña, M.,
Aliseda, P., Yarza, P., & Amírola , A. (2011). Adaptive road crack detection
system by pavement classification (Sistema adaptável de detecção de
rachaduras em estradas por classificação de pavimento). Sensors
(Basiléia, Suíça) , 11(10),
9628–9657. https://doi.org/10.3390/s111009628
Goodfellow, I. Bengio, Y., & Courville, A. (2016). Aprendizagem profunda . MIT Press:
Cambridge, MA. Guerrero-Ibáñez, J., Zeadally, S., & Contreras-Castillo, J. (2018). Tecnologias
de sensores para
Sistemas de transporte inteligentes. Sensors, 18, 1212; doi:10.3390/s18041212
Guo, J., Wang, Q., & Li, Y. (2021). Aprendizagem semissupervisionada baseada em rede
neural convolucional e filtro de incerteza para classificação de defeitos de
fachada. Computer-Aided Civil and Infrastructure Engineering , 36(3), 302-317.
G. Xue, H. Zhu, H., Z. Hu, J. Yu, Y. Zhu, Y. Luo, "Pothole in the dark: Perceiving
pothole profiles with participatory urban vehicles", IEEE Transactions on Mobile
Computing, vol. 16, no. 5, pp. 1408-1419, 2016.
Hassan, S. I., O'Sullivan, D., & McKeever, S. (2021). Pothole Detection under Diverse
Conditions using Object Detection Models (Detecção de buracos sob diversas
condições usando modelos de detecção de objetos). Em IMPROVE (pp. 128-136).
Hoang, N. D. (2018). Um método de Inteligência Artificial para buracos em pavimentos de asfalto

usando máquina de vetor de suporte de mínimos quadrados e rede neural com
extração de recursos baseada em filtro direcionável. Avanços em Engenharia Civil ,
2018, Artigo ID 7419058. https://doi.org/10.1155/2018/7419058
H. Song, K. Baek, Y. Byun, "Pothole detection using machine learning", Advanced Science
and Technology, pp. 151-155, 2018.
J. Liu, Q. Sun, Z. Fan e Y. Jia, "Desenvolvimento de Lidar TOF em veículo autônomo", 2018 IEEE
3ª Conferência Global de Optoeletrônica (OGC), 2018, pp. 185-190, doi:
10.1109/OGC.2018.8529992
Joubert, D., Tyatyantsi, A., Mphahlehle, J., & Manchidi, V. (2011, 23-25 de novembro).
Sistema de marcação de buracos. Na 4ª Conferência de Robótica e Mecatrônica da
África do Sul. Pretória: CSIR. https://hdl.handle.net/10204/5384
Kahraman, I., Karas, I. R., & Akay, A. E. (2018). Técnicas de extração de estradas a partir de
imagens de sensoriamento remoto: A review. Na Conferência Internacional sobre
Tecnologia Geomática e Geoespacial (Ggt 2018): Gestão geoespacial e de risco de
desastres. Copernicus Gesellschaft Mbh.
Katicha, S. W., El Khoury, J., & Flintsch, G. W. (2015). Assessing the effectiveness of probe
vehicle acceleration measurements in estimating road roughness (Avaliando a eficácia
das medições de aceleração de veículos por sonda na estimativa da rugosidade da
estrada). International Journal of Pavement Engineering, 17 (8), 698-708.
doi:10.1080/10298436.2015.1014815
Khalili, M., Ghatee, M., Teimouri, M., & Bejani, M.M. (2018). Acústica de beira de estrada
sensores para dar suporte a pedestres vulneráveis por meio de seus smartphones.
arXiv: Signal
Processamento.
Khatun, R., Antor, S., Ullah, A. e Hossain, A. (2019). Sistema de monitoramento das
atividades de combustível do veículo usando a IoT. Avanços na Internet das
Coisas , 9, 63-71.
doi: 10.4236/ait.2019.94005.
Kim, T. & Ryu, S. K. (2014). Revisão e análise dos métodos de detecção de buracos.
Journal of Emerging Trends in Computing and Information
Sciences, 5(8), 603-608.
Kumar, D. P., Amgoth, T., & Annavarapu, C. S. R. (2019). Algoritmos de aprendizado de máquina
para redes de sensores sem fio: A survey. Information Fusion , 49, 1-25.
Kyriakou, C., Christodoulou, S. E., & Dimitriou, L. (2021). Do vehicles sense, detect, and locate
speed bumps (Os veículos sentem, detectam e localizam lombadas). Transportation
research procedia , 52, 203-210.
Kyriakou, C., Christodoulou, S. E., & Dimitriou, L. (2021). Condição espacial das rodovias -
Mapeamento de avaliação utilizando smartphones e aprendizado de máquina
Algoritmos. Transportation Research Record , 03611981211006105.
Li, H., Song, D., Liu, Y. & Li, B. (2018). Detecção automática de rachaduras no pavimento por
fusão de imagens em várias escalas." IEEE Transactions on Intelligent Transportation
(Transações IEEE sobre transporte inteligente)
Systems, 99, 1-12, 2018.
Lin, Y.-C., Chen, W. H., & Kuo, C. H. (2021). Implementação do sistema de detecção
de defeitos de pavimento na plataforma de computação de borda. Applied
Science, 11 , 3725. https://doi.org/10.3390/app11083725
Liu, C., Wu, D., Li, Y., & Du, Y. (2021). Medições de rugosidade do pavimento em grande escala
com dados de crowdsourcing de veículos usando aprendizado
semissupervisionado. Transportation Research Part C: Emerging Technologies ,
125, 103048.
Maeda, H., Sekimoto, Y., Seto, T., Kashiyama, T., & Omata, H. (2018). Detecção e
classificação de danos em estradas usando redes neurais profundas com
imagens de smartphones.
Engenharia Civil e de Infraestrutura Auxiliada por Computador . DOI:
10.1111/mice.12387
Marović, I., Androjić, I., Jajac, N., & Hanák, T. (2018). Planejamento de manutenção de
infraestrutura viária urbana com aplicação de redes neurais. Complexity , 2018,
Article ID 5160417. https://doi.org/10.1155/2018/5160417
Mikolaj, J. & Remek, L. (2016). Gerenciamento da rede rodoviária: Repair action plans for self -
governing regions (Planos de ação de reparo para regiões autônomas).
Procedia Engineering, 153 , 577 - 583.
Moazzam, I., Kamal, K., Mathavan, S., Usman, S., & Rahman, M. (2013). Metrologia e
visualização de buracos usando o sensor Microsoft Kinect. Em Anais da 16ª
Conferência Anual Internacional do IEEE sobre Sistemas de Transporte
Inteligente (2013), 1284-1291
Montoya-Alcaraz, M., Mungaray-Moctezuma, A., & García, L. (2019). Planejamento de manutenção

rodoviária sustentável em países em desenvolvimento com base em sistemas de
gerenciamento de pavimentos: Case study in Baja California, México.
Sustainability, 12 (1). doi:10.3390/su12010036
Nair, A., Chacko, N., Kasim, R., & Sunny, A. (2020). EtherRent: uma plataforma cooperativa
de aluguel de carros.Revista Internacional de Pesquisa de Engenharia e
Tecnologia (IRJET),
7(4), 1780-1785
Noorvand, H., Karnati, G., & Underwood, B. S. (2017). Autonomous Vehicles (Veículos
autônomos). Transportation Research Record. Journal of the Transportation
ResearchBoard, 2640, 21-
28.doi:10.3141/2640-03
Opara, J. N., Thein, A. B. B., Izumi, S., Yasuhara, H., & Chun, P. J. (2021). DETECÇÃO DE
DEFEITOS EM PAVIMENTO ASFÁLTICO POR MEIO DE APRENDIZADO
PROFUNDO. International Journal , 21(83), 87-94.
Pramestya, R. H., Sulistyaningrum, D. R., Setiyono, B., Mukhlash, I., & Firdaus, Z. (2018, julho).
Classificação de defeitos em estradas usando a matriz de co-ocorrência de nível de
cinza (GLCM) e a função de base radial (RBF). Em 2018, 10ª Conferência

Internacional sobre Tecnologia da Informação e Engenharia Elétrica (ICITEE) (pp. 285-
289). IEEE.
Praticò, F. G., Fedele, R., Naumov, V., & Sauer, T. (2020). Detecção e monitoramento de
rachaduras de baixo para cima em pavimentos rodoviários usando uma abordagem de
aprendizado de máquina. Algorithms, 13(4), 81.
Radopoulou, S. C. & Brilaki, L. (2016). Automated Detection of Multiple Pavement Defects

(Detecção automatizada de vários defeitos no pavimento), Journal of Computing
in Civil, 04016057. Engineering,
Sai, C. Y., Saravanan, D., Tej, Y. V., & Vineesha , T. H. (2019). Aluguel inteligente de veículos
usando a IoT. Revista Internacional de Tecnologia Inovadora e Engenharia
de Exploração (IJITEE), 8 (6),
1270-1273
Salau, I. H. B., Onumanyi, A. J., Aibinu, A. M., Onwuka, E. N., Dukiya, J. J.& Ohize, H. (2019).
Uma pesquisa de técnicas baseadas em acelerômetro para detecção e caracterização de
anomalias em estradas. Revista Internacional de Ciências da Engenharia e
Application, 3(1).
S. C. Radopoulou, I. Brilakis, "Improving Road asset condition monitoring", Transportation

Research Procedia , vol. 14, pp. 3004-3012, 2016.
Setianingsih, A. I., Sangaji, S., & Setyawan, A. (2017). Road Maintenance and
Rehabilitation Program Using Functional and Structural Assessment (Programa de
manutenção e reabilitação de estradas usando avaliação funcional e estrutural).
Série de Conferências do IOP, Ciência e Engenharia de Materiais, 176, 012030.
doi:10.1088/1757-899x/176/1/012030
S. Gargoum e K. El-Basyouny, "Automated extraction of road features using LiDAR data: A review
of LiDAR applications in transportation", 2017 4th International Conference on
Transportation Information and Safety (ICTIS) , 2017, pp. 563-574, doi:
10.1109/ICTIS.2017.8047822.
Shi, Y., Cui, L., Qi, Z., Meng, F. & Chen, Z. (2016). Detecção automática de rachaduras em
estradas usando florestas estruturadas aleatórias. IEEE Transacti ons on Intelligent
Transportation (Transações IEEE sobre transporte inteligente)
Systems, vol. 17(12), 3434-3445.
Todkar, S. S., Baltazart, V., Ihamouten, A., Dérobert, X., & Le Bastard, C. (2021). Estratégia de
detecção de outlier baseada em SVM de uma classe para detectar descolamentos finos
entre camadas dentro de estruturas de pavimento usando dados de radar de
penetração no solo. Jornal de Geofísica Aplicada, 104392.
Departamento de Transportes dos EUA (2021). Impactos de veículos automatizados na
infraestrutura rodoviária. Centro de Pesquisa Rodoviária Turner-Fairbank,
FHWA-HRT-21-015
Uus, A., Liatsis, P., Miah, S., Roberts, S., Twist, S., Hovens, M., Godding, H., & Nardoni,
G. (2016). Fusão de sensores NDT: Optimization of NDT Sensor Data Processing
Strategies for Road Infrastructure Inspection (Otimização de estratégias de
processamento de dados de sensores NDT para inspeção de infraestrutura
rodoviária). UTSG, Bristol.
Wang, P., Hu, Y., Dai, Y., & Tian, M. (2017). Detecção e segmentação de buracos em
pavimentos asfálticos com base no campo de energia wavelet. Mathematical
Problems in Engineering , vol. 2017, Article ID 1604130.
https://doi.org/10.1155/2017/1604130
Wu, C., Wang, Z., Hu, S., Lepine, J., Na, X., Ainalis, D., & Stettler, M. (2020). Uma
abordagem automatizada de aprendizado de máquina para detecção de
buracos em estradas usando dados de sensores de smartphones.
Sensors (Basel, Suíça) , 20(19), 5564. https://doi.org/10.3390/s20195564
Y. Cai, J. Derouin, "A Low-cost On-board Sensing Device for Road Surface Condition", em
Proceedings of 2019 IISE Annual Conference, Orlando, Flórida, Estados Unidos, 18 a 22
de maio de 2019.

3-Detection of Road Condition Defects Using Multiple Sensors and IoT Technology A Review PT-BR

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

3-Detection of Road Condition Defects Using Multiple Sensors and IoT Technology A Review PT-BR

Enviado por

Direitos autorais:

Formatos disponíveis

Este artigo foi aceito para publicação no IEEE Open Journal of Intelligent Transportation Systems.

Esta é a versão do autor que não foi totalmente editada e

Assine o DeepL Pro para traduzir arquivos maiores.

A.Alrajhi , K.Roy, L .Qin gge, J.Kribs

A eficiência do transporte e a segurança ao dirigir das redes rodoviárias, que

desempenham um papel essencial na prosperidade econômica, são afetadas significativamente

principalmente devido à falta de conhecimento de qualquer dano. Este documento analisa o

condições da superfície da estrada. A análise também incorpora os métodos mais relevantes

baseados em aprendizado de máquina, os desafios e as tendências futuras para sustentar a

implantação em larga escala da identificação automatizada de defeitos nas estradas.

Espera-se que a tecnologia possa fornecer informações qualitativas e quantitativas sobre a

condição da superfície da estrada e, assim, permitir a manutenção oportuna para melhorar

a eficiência do transporte e a segurança ao dirigir.

Portanto, é essencial que as estradas tenham um cronograma de manutenção contínuo

seguros e aprimoramento das regras de manutenção da infraestrutura, etc. (D'Amico et al.,

em condições ruins (Xue et al., 2016).

Song, et al. (2018) afirmaram que os buracos e os solavancos causam experiências de

contraste com as estradas danificadas, as estradas em boas condições proporcionam benefícios

econômicos e sociais. Consequentemente, a manutenção eficaz e eficiente das estradas é um

assunto importante para os ativos públicos do país. O gerenciamento de estradas inclui o

monitoramento, a avaliação e a tomada de decisões para a manutenção, os reparos e a substituição

de estradas necessários. Conforme declarado pela Sociedade Americana de Engenheiros

crucial para projetar, planejar e determinar o programa adequado de manutenção de

insuficientes para as redes rodoviárias devido ao tamanho da rede e à frequência do

monitoramento. Como resultado, a manutenção eficiente e a precisão das estradas são

afetadas negativamente. Assim, a maioria dos estudos recentes se concentra no uso de

dispositivos de sensores de detecção automatizados para observar e identificar defeitos nas

estradas a fim de oferecer melhor suporte ao departamento de manutenção de estradas.

Figura 1. Visão geral dos métodos de comunicação para detecção automatizada de

Os esforços deste documento visam à análise e ao contraste do estado atual do

ativos rodoviários usando veículos em rede com recursos de detecção e algoritmos de

aprendizado de máquina. A motivação deste documento é dupla. Há dois grupos de partes

interessadas: os departamentos de transporte, que querem manter a infraestrutura para que as

pesquisadores estão trabalhando em conjunto com o departamento de transportes para fornecer

instrumentos e evitar esse problema. No passado, os pesquisadores usavam sensores individuais,

manualmente os dados de defeitos nas estradas. Mais recentemente, esses sensores

pontos específicos de defeitos.

Portanto, este documento ajuda e fornece ao leitor a importância do problema de detecção de

mostrando gradualmente as ferramentas de detecção de defeitos nas estradas no passado e

no presente. Por exemplo, como os dispositivos de sensores individuais anteriores foram e se

tornaram integrados em um único dispositivo sensor para coletar o conjunto de dados

automaticamente. Como mostra a Figura 1, a transferência do conjunto de dados armazenados

e o processo de resultados automatizados. Além disso, ela mostra as ferramentas de tratamento

dos algoritmos de processamento usando técnicas como janela deslizante, algoritmos de

aprendizado de máquina, análise de frequência e métodos de fusão de sensores. Em seguida, as

se distingue de outros devido à cobertura geral da detecção de defeitos em estradas, começando

pelo dispositivo sensor e terminando nos métodos de detecção de automação.

A organização desta análise concentra-se em cada componente principal para a detecção

automatizada de defeitos em estradas. Na seção 2, é apresentada a visão geral de vários sensores

selecionados e uma plataforma de sensor integrada. A revisão detalhada dos algoritmos de

processamento para pavimento rodoviário é explicada na Seção

uma conclusão é apresentada na Seção 7.

Os sensores são considerados o principal instrumento no campo de identificação

de defeitos em estradas. Esse instrumento é fundamental para encontrar os defeitos nas

integrados usados como identificação avançada de coleta de dados manual ou

lombadas e rachaduras. As partes a seguir explicam os sensores individuais mais comuns. Em

sensores individuais crescem gradualmente e se tornam computados em um dispositivo de

reduzir o problema da condição da estrada.

Um acelerômetro é um dispositivo eletromecânico para medir a mudança ou o alcance da

estendendo ou comprimindo a mola, dependendo da direção da aceleração. Então, o

deslocamento da massa é proporcional à aceleração (Salau et al., 2019; Barriera et al.,

2020). Há vários tipos de sensores de acelerômetro categorizados com base na tecnologia

acelerômetro piezoresistivo e o acelerômetro capacitivo. O acelerômetro piezoelétrico