Detecção e mapeamento de defeitos no pavimento das rodovias

Abstract

Resumo : A qualidade das rodovias brasileiras desempenha um papel fundamental na segurança, na economia e na mobilidade do país. Com 67,5% da malha rodoviária classificada como regular ou inferior, a manutenção das vias apresenta-se como um desafio contínuo, agravado pela ausência de monitoramento eficiente e constante. Este trabalho tem como objetivo desenvolver uma aplicação móvel capaz de utilizar a câmera do smartphone para detectar e georreferenciar, em tempo real, defeitos no pavimento. Para o treinamento do algoritmo YOLOv4-Tiny, foram coletadas 1183 imagens de buracos de diversas fontes e plataformas. Após o treinamento, o modelo foi avaliado por meio do conjunto de imagens de testes e vídeos, e posteriormente convertido para o formato TensorFlow Lite, permitindo sua integração com um aplicativo Android. Desenvolvido com a API Camera2, o aplicativo processa imagens em tempo real, registra a geolocalização via GPS para cada detecção e exibe os resultados diretamente na tela do dispositivo. Durante os testes em campo, percorreu-se um trecho de 1 km com o smartphone fixado no painel de um automóvel, enquanto o aplicativo era executado. Os resultados indicaram que, ao desconsiderar buracos menores, o modelo apresentou precisão de 86,2%, recall de 72,6% e F1-Score de 78,8%, demonstrando boa capacidade de detectar buracos maiores, mas dificuldade em identificar buracos pequenos ou distantes, devido à base de dados limitada. Em vídeos, o modelo operou em tempo real, mas apresentou falsos positivos causados por sombras e sinalizações da via, além de dificuldades com buracos menores. Apesar do tempo médio de inferência de 286 milissegundos (3,5 quadros por segundo) em um smartphone de gama média, a funcionalidade mostrou-se suficiente para detecções em baixa velocidade, com precisão de 68,7% a 20 km/h. No entanto, velocidades maiores resultaram em desfoque nas imagens, reduzindo a precisão. Portanto, essa solução tem potencial para transformar a gestão de rodovias, tornando as manutenções mais rápidas, econômicas e eficazes. Além disso, melhora a segurança e a durabilidade das vias, beneficiando tanto os usuários quanto os gestores rodoviários. Contudo, o aprimoramento do conjunto de dados e a utilização de hardware mais robusto são necessários para aumentar a eficiência da solução

Abstract : The quality of Brazilian highways plays a fundamental role in the country's safety, economy, and mobility. With 67.5% of the road network classified as regular or inferior, road maintenance presents a continuous challenge, exacerbated by the lack of efficient and constant monitoring. This work aims to develop a mobile application capable of using the smartphone's camera to detect and georeference pavement defects in real time. For training the YOLOv4-Tiny algorithm, 1183 images of potholes were collected from various sources and platforms. After training, the model was evaluated using a set of test images and videos, and later converted to the TensorFlow Lite format to enable integration with an Android app. Developed with the Camera2 API, the app processes images in real time, records geolocation via GPS for each detection, and displays the results directly on the device screen. During field tests, a 1 km stretch was covered with the smartphone mounted on the vehicle’s dashboard while the app was running. The results indicated that, when excluding smaller potholes, the model achieved 86.2% precision, 72.6% recall, and an F1-Score of 78.8%, demonstrating a good ability to detect larger potholes, but struggling with smaller or more distant ones due to the limited dataset. In videos, the model operated in real time but showed false positives due to shadows and road signs, as well as difficulties with smaller potholes. Despite an average inference time of 286 milliseconds (3,5 frames per second) on a mid-range smartphone, the functionality proved enough for low-speed detections, with a precision of 68.7% at 20 km/h. However, higher speeds led to image blurring, significantly reducing precision. Therefore, this solution has the potential to transform road management, making maintenance faster, more economical, and effective. Additionally, it improves the safety and durability of roads, benefiting both users and road managers. However, improving the dataset and using more robust hardware are necessary to enhance the solution's efficiency