Reconhecimento Automático de Danos em Pavimentação de Estradas Usando Redes de Aprendizado Profundo a partir de Imagens Aéreas Não Tripuladas

Detectar e reconhecer tipos de danos na pavimentação de estradas é crucial para selecionar os métodos mais apropriados para reparar, manter, prevenir novos danos e garantir o funcionamento adequado das atividades diárias. No entanto, essa tarefa apresenta desafios, como lidar com fundos lotados, a presença de múltiplos tipos de danos nas imagens e seus tamanhos pequenos. Neste estudo, a rede YOLOv8, um modelo de última geração de estágio único, é utilizada para reconhecer sete tipos comuns de danos em pavimentos, incluindo fissuras transversais, fissuras longitudinais, fissuras em forma de jacaré, fissuras oblíquas, buracos, reparos e delaminação, utilizando um conjunto de dados que compreende 5796 imagens terrestres e aéreas não tripuladas. A arquitetura otimizada da rede e as múltiplas camadas convolucionais facilitam a extração de características semânticas de alto nível, melhorando a precisão, a velocidade e a robustez do algoritmo. Ao combinar características semânticas altas e baixas, a rede consegue melhorar a precisão ao abordar desafios e distinguir entre diferentes tipos de danos. A Rede Neural Convolucional implementada demonstra uma precisão de reconhecimento de 77%, uma exatidão de 81%, um mAP de 79%, um f1-score de 74% e uma sensibilidade de 75%, ressaltando a eficácia do modelo em reconhecer várias formas de danos em pavimentação tanto em imagens aéreas quanto terrestres. Esses resultados destacam o desempenho satisfatório do modelo e seu potencial para reconhecer e categorizar eficazmente danos em pavimentação para uma manutenção e gestão de infraestrutura eficientes.