Real-time pavement classification using an embedded artificial neural network

• Main Author: Cavalcanti, Filipe do Ó
• Publication Date: 2023
• Format: Master thesis
• Language: por
• Source: Repositório Institucional da UFPB
• Download full: https://repositorio.ufpb.br/jspui/handle/123456789/27607
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Engenharia elétrica - Sistemas embarcados; Redes neurais artificiais; Classificação de pavimento; Acelerômetro; RTOS; Embedded systems; Artificial neural networks; Pavement classification; Accelerometer

A análise da condição de pavimentos pode ser uma funcionalidade muito importante para automóveis e também para pesquisas sobre qualidade de pavimentação em geral. Tal análise fornece dados que podem ser utilizados desde referência para decidir se uma rua necessita de manutenção, até como uma maneira de selecionar uma rota diferente no mapa durante uma viagem, baseado em uma definição de conforto selecionada pelo motorista. Existem métodos para análise de pavimentação, como o Pavement Condition Index (PCI), que requer grande análise manual do pavimento. Neste contexto, este trabalho apresenta um sistema que utiliza técnicas de aprendizado de máquina para classificação automática do tipo de pavimentação baseando-se em amostras de um acelerômetro acoplado a um veículo. Isto permite classificar uma rua entre duas categorias de pavimento: asfalto ou paralelepípedo. Um acelerômetro triaxial e um módulo capaz de obter sinais do Sistema de Posicionamento Global (GPS) são utilizados como periféricos em um sistema operacional de tempo real (RTOS) capaz de executar aquisição de dados com precisão e também classificar um terreno em tempo real. Tal operação requer que o módulo acelerômetro esteja montado próximo ao centro de gravidade do veículo e calibrado conforme o ponto de apoio na montagem ao chassi. O modo de aquisição de dados foi testado na cidade de Campinas, SP - Brasil, cujos dados obtidos são a aceleração nos eixos longitudinal, lateral e vertical e dados de geolocalização a partir do módulo GPS. Estes dados são analisados e uma extensa seleção de atributos é realizada para escolher as melhores métricas que podem ser utilizadas para treinar uma Rede Neural Artificial capaz de classificar entre as duas categorias de pavimento. O modelo utiliza valores de entrada extraídos das informações de aceleração tanto no domínio do tempo quanto na frequência e atinge uma acurácia de 94% no conjunto de testes. O modelo treinado é inserido no sistema embarcado, permitindo a classificação do terreno em tempo real.