Desarrollo de un equipo electrónico vehicular orientado al monitoreo, detección y registro del estado de deterioro de pistas de tránsito urbano

Abstract

El presente trabajo desarrolla la implementación de un dispositivo basado en sistemas de embebidos en un automóvil orientado al monitoreo de pistas urbanas y detección de baches con el fin obtener su ubicación y nivel de gravedad de acuerdo al tamaño. Inicialmente, se realizó un análisis previo del método de inspección y monitoreo que realizan las entidades encargadas de realizar dichas funciones. Este análisis condujo a determinar que dicho método utilizado es manual, subjetivo y excesivo en tiempo. Por ello, se planteó automatizar el proceso de monitoreo de pistas mediante la implementación de sistemas de embebidos basados en Raspberry Pi 4B en el auto de inspección para detectar, medir y clasificar los baches con tan solo recorrer las calles mediante el uso de algoritmos basados en redes neuronales Resnet50 y Deeplabview para detección de baches y cálculo de diámetro, así como también un algoritmo que obtenga las coordenadas del bache detectado para ubicar su posición y programar un eventual reparo. La solución propuesta consiste en realizar la grabación del recorrido mediante cámaras, para luego almacenar los videos en una base de datos remota. El video es descargado en una computadora de escritorio para luego realizar el procesamiento de video de manera offline con el fin de evitar sobrecarga computacional. El software detecta los baches que se haya en el video, calculará el tamaño y los clasificará en niveles de gravedad según diámetro. Como resultado, se obtuvieron 74,38% de precisión en detección de bache y 79,19% en el cálculo del tamaño.

The present work develops the implementation of a device based on embedded systems in a car aimed at monitoring urban roads and detecting potholes in order to obtain their location and severity level according to their size. Initially, a preliminary analysis was conducted on the inspection and monitoring method performed by the entities in charge of these functions. This analysis led to the conclusion that the method used is manual, subjective, and time-consuming. Therefore, it was proposed to automate the road monitoring process through the implementation of embedded systems based on Raspberry Pi 4B in the inspection car to detect, measure, and classify potholes simply by driving through the streets using algorithms based on ResNet50 and Deeplabview neural networks for pothole detection and diameter calculation, as well as an algorithm to obtain the coordinates of the detected pothole to locate its position and schedule a potential repair. The proposed solution involves recording the route using cameras, then storing the videos in a remote database. The video is downloaded onto a desktop computer for offline video processing to avoid computational overload. The software detects the potholes present in the video, calculates their size, and classifies them into severity levels based on diameter. As a result, 74.38% accuracy was obtained in pothole detection and 79.19% in size calculation.