Metodi di deep learning acustico per il riconoscimento dei dissesti della pavimentazione stradale

Nel seguente lavoro è stata proposta una metodologia basata su tecniche di deep learning per la valutazione delle condizioni della superficie stradale a partire da segnali acustici misurati all'interno della cavità dello pneumatico. Il progetto è stato svolto in collaborazione con Ipool srl., nel contesto del progetto SURFAce, finanziato dalla regione Toscana. Sono state proposte tre architetture di classificazione: una LSTM (Long short-term memory network) basata sull'andamento temporale di un insieme di descrittori spettrali e due CNN (Convolutional neural network), una incentrata sugli spettrogrammi dei segnali, l'altra sui Mel-frequency cepstral coefficients (MFCC). Il dataset di ground truth è stato acquisito tramite un laboratorio mobile e classificato mediante strumenti di analisi appositamente sviluppati. Due delle tre architetture proposte hanno fornito risultati incoraggianti.

L'implementazione di tali strumenti su dispositivi mobili potrebbe rendere possibile la classificazione dello stato della pavimentazione in tempo reale con ridotti costi economici e temporali. [Testo dell'editore].

In the following work, a deep learning-based methodology was proposed to evaluate road surface conditions starting from acoustic signals measured inside the car tire cavity.The project was carried out in collaboration with Ipool srl., in the context of the SURFAce project, funded by the Tuscany region. Three different classification architectures were proposed: An LSTM, based on the time series of a set of spectral descriptors, and two CNNs, the first focused on the signals' spectrograms and the second on their Melrequency cepstral coefficients (MFCCs). The ground truth data set was acquired through a mobile laboratory and classified through aptly developed analysis tools. Two of the three proposed architectures have provided encouraging results, and their implementation on portable systems could lead to real time pavement classification in a cost and time efficient way. [Publisher's Text].