A carregar...
Publicação
Classificação de Perigos Rodoviários com Recurso a Dados de Acelerómetros:Um Estudo Comparativo entre Abordagens de Aprendizagem Automática Clássica e Aprendizagem Profunda
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.83 MB | Adobe PDF |
Autores
Resumo(s)
A classificação automática de perigos rodoviários, como buracos e lombas, com base em dados de acelerómetro constitui uma solução de baixo custo para a monitorização de infraestruturas viárias. Comparam-se abordagens de aprendizagem automática clássica e de aprendizagem profunda, recorrendo a três conjuntos de dados públicos integrados num fluxo unificado de pré-processamento e extração de características. Foram avaliados nove modelos clássicos e três arquiteturas profundas, com métricas sensíveis ao desequilíbrio entre classes. A 1D CNN alcançou o melhor desempenho global (F1 macro = 0.5108; exatidão balanceada = 0.6143), revelando maior capacidade na deteção de buracos, enquanto os modelos clássicos baseados em ensembles de árvores se mostraram competitivos na deteção de lombas, com custo computacional inferior. O desequilíbrio entre classes manteve-se um desafio significativo. A aprendizagem profunda demonstra vantagens na extração automática de padrões, mas os modelos clássicos continuam relevantes onde a interpretabilidade e a eficiência computacional são prioritárias.
The automatic classification of road hazards, such as potholes and speed bumps, based on accelerometer data offers a low-cost solution for monitoring road infrastructure. Classical machine learning and deep learning approaches are compared, using three public datasets integrated through a unified pipeline of pre-processing, segmentation and feature extraction. Nine classical models and three deep learning architectures were evaluated, using metrics suited to class imbalance. The 1D CNN achieved the best overall performance (macro F1-score = 0.5108; balanced accuracy = 0.6143), showing greater ability to detect potholes, while classical tree-based ensemble models proved competitive in speed bump detection, with lower computational cost. Class imbalance remained a significant challenge throughout. Deep learning thus demonstrates advantages in automatically extracting patterns from raw data, while classical models remain relevant in scenarios where interpretability and computational efficiency are priorities.
The automatic classification of road hazards, such as potholes and speed bumps, based on accelerometer data offers a low-cost solution for monitoring road infrastructure. Classical machine learning and deep learning approaches are compared, using three public datasets integrated through a unified pipeline of pre-processing, segmentation and feature extraction. Nine classical models and three deep learning architectures were evaluated, using metrics suited to class imbalance. The 1D CNN achieved the best overall performance (macro F1-score = 0.5108; balanced accuracy = 0.6143), showing greater ability to detect potholes, while classical tree-based ensemble models proved competitive in speed bump detection, with lower computational cost. Class imbalance remained a significant challenge throughout. Deep learning thus demonstrates advantages in automatically extracting patterns from raw data, while classical models remain relevant in scenarios where interpretability and computational efficiency are priorities.
Descrição
Dissertação, Mestrado, Informática aplicada, Instituto Politécnico de Santarém, Escola Superior de Gestão e Tecnologia, 2026
Palavras-chave
Perigos rodoviários Acelerómetro Aprendizagem automática Aprendizagem profunda Classificação multiclasse Buracos Lombas Road hazards Accelerometer Machine learning Deep learning Multiclass classification Potholes Speed bumps
Contexto Educativo
Citação
Moutinho, J. (2026). Classificação de perigos rodoviários com recurso a dados de acelerómetros : um estudo comparativo entre abordagens de aprendizagem automática clássica e aprendizagem profunda (Mestrado). Escola Superior de Gestão e Tecnologia, Santarém. Disponível na WWW em:<http://hdl.handle.net/10400.15/6156>