Avaliação autônoma de pavimentos : revisão bibliográfica e algoritmo de classificação de fendas

Abstract

Este trabalho aborda a avaliação autônoma de pavimentos flexíveis e semirrígidos, com foco na revisão de métodos de detecção de defeitos por visão computacional e na proposta de um algoritmo para classificação de trincas. Entre os defeitos mais estudados, destacam-se trincas, panelas e remendos, devido à sua alta ocorrência e facilidade de visualização. O estudo evidenciou as limitações do Procedimento 005/2003 – TER, amplamente utilizado no Brasil, mas salientou sua complementaridade com normativas internacionais, como a D-6433 (ASTM) e o Distress Identification Manual (FHWA). Foram analisados métodos baseados em processamento de imagens 2D, aprendizado de máquina e profundo, além de abordagens multimodais tridimensionais. Os métodos 2D, embora acessíveis e de baixo custo computacional, apresentam limitações quanto à precisão e robustez, especialmente em condições desafiadoras de iluminação e resolução. Métodos baseados em aprendizado profundo, como redes convolucionais, destacam-se pela capacidade de classificar e detectar defeitos com maior precisão, apesar de demandarem bases de dados extensas e anotadas. A proposta de algoritmo desenvolvida neste trabalho utiliza critérios objetivos para a classificação de trincas, minimizando subjetividades inerentes aos métodos tradicionais. Por fim, o estudo destaca a importância de ampliar os bancos de dados brasileiros, incluindo dados tridimensionais e diferentes tipos de anotação, bem como o desenvolvimento de métodos para detecção de patologias menos estudadas, como exsudação e deformações. Essas ações são essenciais para o avanço da automação na avaliação de pavimentos e para a melhoria da gestão rodoviária.

This work addresses the autonomous evaluation of flexible and semi-rigid pavements, focusing on a review of defect detection methods using computer vision and on the proposal of an algorithm for crack classification. Among the most frequently studied defects are cracks, potholes, and patches, due to their high occurrence and ease of visualization. The study highlighted the limitations of Procedure 005/2003 – TER, widely used in Brazil, but underscored its complementarity with international standards such as D-6433 (ASTM) and the Distress Identification Manual (FHWA). Methods based on 2D image processing, machine learning, and deep learning were analyzed, along with three-dimensional multimodal approaches. Although 2D methods are accessible and have low computational cost, they exhibit limitations in terms of accuracy and robustness, especially under challenging lighting and resolution conditions. Deep learning-based methods, such as convolutional neural networks, stand out for their ability to classify and detect defects with greater accuracy, although they require extensive, annotated databases. The algorithm proposed in this work employs objective criteria for crack classification, minimizing the subjectivities inherent in traditional methods. Finally, the study emphasizes the importance of expanding Brazilian databases to include three dimensional data and different types of annotations, as well as the development of methods to detect less frequently studied pathologies, such as exudation and deformations. These actions are essential for advancing automation in pavement evaluation and improving road management.