Escolar Documentos
Profissional Documentos
Cultura Documentos
Detecção de defeitos nas condições das estradas usando vários sensores e tecnologia IoT:
A
Revisão
Resumo
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,
status atual e as limitações de uma estrutura para dispositivos de sensores e avaliação das
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
2017). Nos EUA, um quarto das principais estradas metropolitanas é classificado como estando
viagem inconvenientes aos usuários das estradas e prejudicam a mobilidade das pessoas. Em
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
defeitos em rodovias
identificação automatizada das condições das estradas. Isso leva ao problema de identificação
de defeitos nas estradas para monitoramento e avaliação automatizados das condições dos
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
como câmeras, GPS, lasers e acelerômetros, etc., como instrumentos para coletar
individuais podem ser integrados a um dispositivo para coletar dados automaticamente e encontrar
defeitos nas estradas e seus impactos sobre os danos aos veículos e à vida humana. Ele está
nos dados do dispositivo sensor para o centro de banco de dados em nuvem indica o uso da IoT
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
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.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
Seção 6. Mostra as tendências futuras, que incluem cinco tipos de pontos de análise. Por fim,
2. Visão geral dos tipos de sensores para detecção de defeitos nas estradas
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
automatizada. Esses sensores medem a resposta do veículo aos defeitos, como buracos,
seguida, a última parte é a parte da plataforma de sensor integrado que mostra como os
sensor único. Esse dispositivo de sensor pode detectar defeitos usando automação simples para
2.1. Acelerômetro
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,
usada para suas saídas. Alguns desses tipos são o acelerômetro piezoelétrico, o
piezoresistivo usa a alteração na resistência para medir a aceleração, enquanto aqueles que
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
capacitivo.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
(direita) um solavanco
transferido para um sinal elétrico. Esse sinal é devido a alterações na resistividade do material
energia equivalente em um sinal elétrico. Cada um dos três eixos do acelerômetro é dedicado a uma
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
domínio da constante interna, o que limita seu uso em algumas aplicações (Salau et al., 2019).
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
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
em todo o mundo e em outros problemas existentes. O Lidar tem alta resolução e dados
humano, como dirigir, caminhar, velocidade de movimento ou direção. Além disso, ele
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
são coletados por meio de satélites, e os terrestres são coletados do solo, que pode ser estático
ou móvel. Esse
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
dispositivos sensores recentes em veículos de alta velocidade não parece estar sendo usado
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
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
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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,
pavimento, que são visíveis sem profundidade, conforme usado por empresas como a NEXCO e
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)
posicionamento global. Portanto, os microfones registram sinais sonoros de buracos à medida que os
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
sensores de matriz acústica, compostos por um conjunto de microfones, são usados para detectar o
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
Predictive Coefficients (LPC) para extrair com precisão as características da estrada e os sinais
2.5. GPS
As rápidas inovações na tecnologia GPS aumentaram sua aplicação devido aos seus
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
Karas & Akay, 2018). Ao usar sensores GPS para explorar posições espaciais, neste caso,
menos quatro satélites (Zhao, Carling, & Håkansson, 2014). É possível obter dados de
rastreamento mais precisos aumentando a frequência dos receptores, usando chipsets avançados no
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
com sucesso e corretamente, as características da estrada podem ajudar a modelar uma estrada
têm seções diferentes com propriedades que afetam a forma do caminho. Consequentemente, a
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
para esses métodos (Kahraman et al., 2018). A vantagem dos sensores GPS é fornecer
determinar a condição da estrada (Masimo et al., 2017). Além disso, o GPS é fácil de navegar e custa
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
falha da bateria.
Os telefones celulares são um dos dispositivos que incluem vários sensores integrados em
sensores sofisticados para desenvolver e melhorar a identificação das condições dos defeitos
nas estradas. Os dispositivos integrados modernos, como os smartphones, são equipados com
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
global ainda está em sua infância, com incentivo para que os pesquisadores expandam
de proximidade, câmera, tela sensível ao toque, microfone, sensor de luz ambiente, magnetômetro,
estão considerando o uso de smartphones com baterias que são carregadas pelos usuários e têm
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
Todos esses recursos mostram que os smartphones podem se tornar a principal unidade
anos, houve uma onda de pesquisas sobre sensoriamento móvel para coleta de dados,
condição do pavimento em uma direção econômica com cobertura espacial abrangente. Além
infraestrutura do pavimento. Nos últimos anos, vários estudos foram realizados para explorar a
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
aceita globalmente como o sinal de status do pavimento devido ao seu impacto na condução
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
combustível. A maioria dos estudos atuais nesse escopo está se concentrando na detecção de
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
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
usando um veículo. Por exemplo, um dispositivo sensor de câmera para detectar defeitos nas
estradas em montanhas.
3. Algoritmos de processamento
é uma etapa fundamental para encontrar diferentes características da estrada. Além disso, a
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
defeitos na estrada
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
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
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.
Por outro lado, Chacra e Zelek (2018) aplicaram a técnica de janela deslizante por
nas janelas. Eles usaram a formulação do Fisher Vector para decodificar os descritores e, em
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
apóia e facilita o estudo, conforme os estudos relacionados na Tabela 1, em que podemos avaliar
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
para
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
encontrar a localização exata dos buracos, que são salvos para serem tratados pela
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
92,4% para dados rotulados. Wu et al., (2020) observaram que, ao contrário de outros
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,
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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%
Cao, M. T.,
Chang,
K. T., Nguyen, N. Algoritmos
M., Tran, V. D., supervisionad
Tran, X. L., & os
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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%).
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
classificação de defeitos nas estradas baseados em visão que são mais baratos e econômicos
treinamento rotulado
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
dados de treinamento para fazer previsões (Cao, Liu, & He, 2020). Por exemplo, o aprendizado
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,
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
com buracos e sem buracos é usado para treinamento e validação do modelo, também
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 de diferentes classes. A vantagem dos SVMs é sua capacidade de classificar dados com
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.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
imagem é segmentada em vários blocos não sobrepostos com vetores de recursos exclusivos.
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, &
amostras rotuladas nem resultados definidos para a saída, o que significa que eles ajudam o
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
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.
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.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
com o caminho de intensidade mínima da janela para obter rachaduras em todas as escalas da
rotulados (Cholaquidis, Fraimand, & Sued, 2018). A pesquisa mostrou que muitos dos
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
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
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
reduzindo os falsos positivos e, portanto, melhor desempenho na detecção de defeitos nas estradas,
supervisionado.
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
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
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
Uus et al., (2016) propuseram que diferentes sensores poderiam ser fundidos para formar
sensores se baseia em
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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,
de vários sensores são registrados e combinados com um receptor GPS para mapear os
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.
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
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.
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
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
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
5. L imitações e desafios
5.1. Eixo
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
(Basavaraju, Du, Zhou, s & Ji, 2020). Isso ocorre porque quando os recursos de pelo menos três
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
concentrou na coleta de recursos orientados à vibração, é possível usar mais eixos para
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
al., 2019).
5.2. Velocidade
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
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.
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
carro em alta velocidade de deslocamento com uma câmera de baixa frequência pode perder
estrada. Por outro lado, um veículo que viaja em baixa velocidade com uma câmera 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.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
Nesse desafio, é possível comparar os resultados de cada veículo e atingir a meta de detecção
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
veículo que viajava a uma velocidade entre 10 e 15 km/h para coletar imagens que foram usadas
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
tecnologias que poderiam ser usadas para detectar automaticamente defeitos nas estradas, mas
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
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
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
problemas na estrada.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
de sistemas automatizados de detecção de buracos com base em vibração (Wu et al., 2020). Um
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
e envia sinais de vibração e dados de localização para um servidor ou computador. O aplicativo pré-
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
Conforme destacado, esses desafios são caros, mas poderiam ser mais baratos, por
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
bateria e à corrupção de dados. Portanto, entre os custos extras de compra do telefone celular, a
5.5. Algoritmo
Uma grande variedade de algoritmos foi adotada pela literatura anterior para obter
o desafio para a existência de vários algoritmos é que não há um algoritmo ideal único que possa
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
ser usado em cada caso e, portanto, o melhor algoritmo sempre depende da natureza do
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
de dados coletados de estradas nas ruas de Cambridge. O STF foi preferido porque seu uso de
incluindo cor, textura e contexto. Isso promoveu a precisão da detecção de várias rachaduras
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
agrupar os resultados com base na localização e, portanto, a obter a localização do buraco com
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
coletou dados, que foram normalizados e usados pelo algoritmo de detecção de buracos para
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
6.Tendências futuras
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;
acelerômetro, não apenas aqueles relacionados ou usados com smartphones, computadores, tablets
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
Por outro lado, o escopo da aplicação dos sensores está se expandindo. A literatura
dos sensores para expandir sua aplicação em segurança e gerenciamento de tráfego, entre outros
condições de tráfego
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
mais desenvolvimento. Por exemplo, o foco deve estar na otimização das soluções 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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
ambientais e dispositivos usados (Uus et al., 2016). Além disso, os sistemas baseados em
aprimorados para adotar técnicas mais sofisticadas de reconhecimento de padrões para melhor
disso, um dos principais desafios abordados na literatura revisada é o custo excessivo das câmeras
sensores e tecnologias mais baratos que possam ser adotados sem comprometer a precisão e a
de conteúdo baseados em GPS, para melhorar a acessibilidade dos carros a todas as pessoas a
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
meio de sensores e GPS, está aprimorando as atividades de combustível de veículos com base
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
Os sensores de combustível ultrassônicos são projetados para enviar notificações por meio de
ultrassônicos de combustível são projetados para enviar notificações por meio de aplicativos
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
de iniciar a viagem.
aluguel de carros no fornecimento de carros prontamente disponíveis aos clientes (Nair et al.,
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
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
tornar a disponibilidade e o uso mais confiáveis para as agências de aluguel de carros e os clientes.
condições das estradas, o pessoal responsável pela manutenção das estradas deve desenvolver
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
processo que sucede a análise das condições estruturais na área de interesse inclui o
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
autores observaram que esse plano melhorou o desempenho da rodovia porque dá espaço para
estradas fazem parte do conceito de suporte à decisão (DSC) e da decisão nas atividades de
planejamento de melhoria das vias urbanas usando métodos multicritérios e redes neurais
artificiais. Como resultado, a interação adequada entre o DSC promove uma melhor
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
interagir no processo ao lidar com vários problemas, sejam eles estruturados ou não
gerenciamento tático, responsável por tomar decisões táticas e criar soluções com base nas
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
em boas condições que exigem trabalho e orçamento mínimos para manter e atingir um estado
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
resultados máximos para manter a condição das rodovias com custos de manutenção mais
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
informações coletadas sobre as condições das estradas. Essas prioridades incluem pontos
é um fator crucial no planejamento porque a manutenção deve ser feita no tempo e no custo
ideais.
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
das pontes.
alta manutenção dos sensores que apoiam sua implantação para uso da frota, mas podem
adoção está aumentando rapidamente, especialmente para frotas comerciais, e pode levar a
Departamento de Transportes dos EUA (2021) observou que o aumento da adoção de veículos
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.
urbanas projetaram que essa tecnologia resultará em maior produtividade no setor de transporte,
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
redução dos custos e maior segurança (Noorvand et al., 2017). No entanto, os autores observaram
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
forem implantados adequadamente, onde seu número aumenta para ocupar 505 veículos do
7. Conclusão
A manutenção e a reabilitação de estradas é um processo caro que requer vários recursos para
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
ser treinados para coletar dados automaticamente por meio de sensores no veículo, que são
veículo, mas também da frequência das câmeras usadas na coleta de imagens de dados.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
como ambulâncias, veículos de bombeiros e veículos postais. Além disso, a precisão dos
incorreta.
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
Cao, W., Liu, Q., & He, Z. (2020). Revisão dos métodos de detecção de defeitos no
pavimento. IEEE Access,
4, Doi: 10.1109/ACCESS.2017.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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).
H. Song, K. Baek, Y. Byun, "Pothole detection using machine learning", Advanced Science
and Technology, pp. 151-155, 2018.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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.
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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.
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).
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
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
o conteúdo pode ser alterado antes da publicação final. Informações de citação: DOI 10.1109/OJITS.2023.3237480
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.
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/