Detecção de anomalias em pavimentos utilizando sensores inerciais.

• Ano de defesa: 2024
• Autor(a) principal: Lima, Gabriel de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial intelligence; Control systems; Inteligência artificial; Sistemas de controle
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3139/tde-26032024-111626/

Sistemas para detecção automática de anomalias no pavimento são de suma importância para gestores públicos, seja para a realização de reparos de buracos, para monitoramento de ativos ou para mapear a deterioração das vias. Na última década tem crescido a utilização de automóveis providos de sensores inerciais embarcados para a realização dessa tarefa, no qual os dados de campo são captados e transmitidos para análises que comumente empregam algoritmos de aprendizado supervisionado para a identificação dos elementos no asfalto, entretanto um problema intrínseco com essa abordagem está no fato de que a coleta dos dados anômalos é em sua essência difícil e desbalanceada, o que potencialmente aumenta a geração de falsos positivos no momento da predição. Outro problema comum nessa área é a não utilização de um método para o estabelecimento da frequência de amostragem para esses sensores, fazendo com que muitos trabalhos sobre amostrem o sinal de captura, inviabilizando a criação de sistemas descentralizados devido ao alto numero de amostras por veículo. Portanto, o trabalho aqui descrito tem como objetivo criar um sistema para a detecção de anomalias, onde um método para a definição da frequência de amostragem é estabelecido e um modelo de aprendizado não supervisionado testado para o módulo de detecção. Resultados apontam que é possível trabalhar com uma frequência de amostragem menor que a frequência de Nyquist, sub amostrando assim o sinal no momento da coleta e, a partir de um módulo de aprendizado não supervisionado pode-se detectar amostras anômalas com uma assertividade de 94%.