Análise comparativa entre sensores para inspeção periódica de ativos urbanos
DOI:
https://doi.org/10.46421/entac.v20i1.6294Palavras-chave:
Ativos urbanos, Monitoramento, Sensores embarcados, Internet das CoisasResumo
Nos grandes centros urbanos, a quantidade de ativos de infraestrutura é muito elevada e seu estado de conservação pode sofrer alterações significativas ao longo do tempo. Inspecionar periodicamente estes ativos é uma tarefa fundamental para evitar prejuízos financeiros e até mesmo acidentes envolvendo os munícipes. Contudo, com orçamentos e equipes de trabalho limitados, realizar o monitoramento adequado destes ativos é difícil e frequentemente a sociedade demonstra descontentamento com a zeladoria urbana. Neste contexto, o objetivo deste trabalho é comparar as opções de sensores tipicamente empregados para automatizar este monitoramento através da engenharia eletrônica. Para tal, realizou-se uma revisão bibliográfica das principais técnicas atualmente utilizadas e suas respectivas limitações, tanto em custo quanto em frequência de aquisição de dados. Observou-se que a utilização de sensores embarcados, especialmente nas topologias que permitem o sensoriamento coletivo descentralizado, obtém melhor custo-benefício em relação as opções tradicionais, indicando um possível caminho para o monitoramento do ambiente urbano através de sensores de baixo custo.
Referências
PAPANDREA, S. F.; CATALDO, M. F.; ZIMBALATTI, G.; PROTO, A. R. Comparative evaluation of inspection techniques for decay
detection in urban trees. Sensors and Actuators A: Physical, v. 340, 2022, 113544. ISSN 0924-4247. Disponível em: https://
doi.org/10.1016/j.sna.2022.113544.
TOMIYAMA, K., et al. A mobile profilometer for road surface monitoring by use of accelerometers. 7th Symposium on Pavement
Surface Characteristics: SURF 2012. p. 1–10, 2012.
STUBBINGS, P.; PESKETT, J.; ROWE, F.; ARRIBAS-BEL, D. A Hierarchical Urban Forest Index Using Street-Level Imagery and Deep
Learning. Remote Sens., 2019, 11, 1395. doi:10.3390/rs11121395.
TRILLES, S.; CALIA, A.; BELMONTE, Ó.; TORRES-SOSPEDRA, J.; MONTOLIU, R.; HUERTA, J. Deployment of an open sensorized
platform in a smart city context. Future Generation Computer Systems, v. 76, 2017, p. 221-233. ISSN 0167-739X. Disponível em:
https://doi.org/10.1016/j.future.2016.11.005.
ADAM, M. S.; ANISI, M. H.; ALI, I. Object tracking sensor networks in smart cities: Taxonomy, architecture, applications, research
challenges and future directions. Future Generation Computer Systems, v. 107, 2020, p. 909-923. ISSN 0167-739X. Disponível em:
https://doi.org/10.1016/j.future.2017.12.011.
ASHRAF, S. A proactive role of IoT devices in building smart cities. Internet of Things and Cyber-Physical Systems, v. 1, 2021, p.
-13. ISSN 2667-3452. Disponível em: https://doi.org/10.1016/j.iotcps.2021.08.001.
GU, Y.; LIU, Y.; LIU, D.; HAN, L. D.; JIA, X. Spatiotemporal kernel density clustering for wide area near Real-Time pothole detection.
Advanced Engineering Informatics, v. 60, 2024, 102351. ISSN 1474-0346. Disponível em: https://doi.org/10.1016/j.aei.2023.102351.
GIATEC. Giatec Scientific Home. 2023. Disponível em: https://www.giatecscientific.com/. Acesso em: 24 dez. 2023.
WANG, N.; HAN, T.; CHENG, H.; LI, T.; FU, J.; MA, T.; FU, Y.; CHEN, F.; ZHANG, Y. Monitoring structural health status of asphalt
pavement using intelligent sensing technology. Construction and Building Materials, v. 352, 2022. ISSN 0950-0618. Disponível em:
https://doi.org/10.1016/j.conbuildmat.2022.129025.
ZAPPILE, J. C. M. Desenvolvimento de sensor baseado em IoT para monitoramento contínuo das propriedades do concreto
moldado in loco “brita eletrônica”. Dissertação (Mestrado) - Escola Politécnica da Universidade de São Paulo, São Paulo, 2023.
HAN, D.; LIU, G.; XI, Y.; XIA, X.; ZHAO, Y. Real-time monitoring of strain and modulus of asphalt pavement using built-in strain
sensor cluster. Construction and Building Materials, v. 384, 2023, 131413. ISSN 0950-0618. Disponível em: https://doi.org/10.1016/
j.conbuildmat.2023.131413.
BAO, M.; TIAN, Y.; LIU, S.; LING, J.; XIANG, P.; ZHAO, X.; LIU, L.; WU, J. A data-driven approach to the strength evaluation of airfield
rigid pavement using in situ instrumentation data. Construction and Building Materials, v. 409, 2023, 133824. ISSN 0950-0618.
Disponível em: https://doi.org/10.1016/j.conbuildmat.2023.133824.
PRADE, L.; MORAES, J.; DE ALBUQUERQUE, E.; ROSÁRIO, D.; BOTH, C. B. Multi-radio and multi-hop LoRa communication
architecture for large scale IoT deployment. Computers and Electrical Engineering, v. 102, 2022. ISSN 0045-7906. Disponível em:
<https://doi.org/10.1016/j.compeleceng.2022.108242
ELDEFRAWY, M.; BUTUN, I.; PEREIRA, N.; GIDLUND, M. Formal security analysis of LoRaWAN. Computer Networks, v. 148, 2019, p.
-339. ISSN 1389-1286. Disponível em: https://doi.org/10.1016/j.comnet.2018.11.017.
JIANG, H.; PENG, M.; ZHONG, Y.; XIE, H.; HAO, Z.; LIN, J.; MA, X.; HU, X. A Survey on Deep Learning-Based Change Detection from
High-Resolution Remote Sensing Images. Remote Sens., 2022, 14, 1552. https://doi.org/10.3390/rs14071552.
METZLER, A. B.; NATHVANI, R.; SHARMANSKA, V.; BAI, W.; MULLER, E.; MOULDS, S.; AGYEI-ASABERE, C.; ADJEI-BOADI, D.; KYERE-
GYEABOUR, E.; DOKU TETTEH, J.; OWUSU, G.; AGYEI-MENSAH, S.; BAUMGARTNER, J.; ROBINSON, B. E.; ARKU, R. E.; EZZATI, M.
Phenotyping urban built and natural environments with high-resolution satellite images and unsupervised deep learning. Science
of The Total Environment, Volume 893, 2023. ISSN 0048-9697. https://doi.org/10.1016/j.scitotenv.2023.164794.
OZDENA, A.; FAGHRIA, A.; LIA, M.; TABRIZIB, K. Evaluation of Synthetic Aperture Radar Satellite Remote Sensing for Pavement and
Infrastructure Monitoring. Procedia Engineering 145, 2016, p 752 – 759. doi: 10.1016/j.proeng.2016.04.098.
BASHAR, M. Z.; TORRES-MACHI, C. Deep learning for estimating pavement roughness using synthetic aperture radar data.
Automation in Construction, Volume 142, 2022. ISSN 0926-5805. https://doi.org/10.1016/j.autcon.2022.104504.
WU, H.; YAO, L.; XU, Z.; LI, Y.; AO, X.; CHEN, Q.; LI, Z.; MENG, B. Road pothole extraction and safety evaluation by integration of
point cloud and images derived from mobile mapping sensors. Advanced Engineering Informatics, v. 42, 2019. ISSN 1474-0346.
Disponível em: https://doi.org/10.1016/j.aei.2019.100936.
NASSAR, A.; AMER, K.; ELHAKIM, R.; ELHELW, M. A Deep CNN-Based Framework For Enhanced Aerial Imagery Registration with
Applications to UAV Geolocalization. Conference on Computer Vision and Pattern Recognition Workshops. 2160-7516/18, 2018,
IEEE. DOI 10.1109/CVPRW.2018.00201.
YAN, H.; ZHANG, J. UAV-PDD2023: A benchmark dataset for pavement distress detection based on UAV images. Data in Brief,
Volume 51, 2023. ISSN 2352-3409. https://doi.org/10.1016/j.dib.2023.109692.
ATENCIO, E.; PLAZA-MUÑOZ, F.; MUÑOZ-LA RIVERA, F.; LOZANO-GALANT, J. A. Calibration of UAV flight parameters for pavement
pothole detection using orthogonal arrays. Automation in Construction, Volume 143, 2022. ISSN 0926-5805. https://
doi.org/10.1016/j.autcon.2022.104545.
GARILLI, E.; BRUNO, N.; AUTELITANO, F.; RONCELLA, R.; GIULIANI, F. Automatic detection of stone pavement's pattern based on
UAV photogrammetry. Automation in Construction, Volume 122, 2021. ISSN 0926-5805. https://doi.org/10.1016/
j.autcon.2020.103477.
ZHU, J.; ZHONG, J.; MA, T.; HUANG, X.; ZHANG, W.; ZHOU, Y. Pavement distress detection using convolutional neural networks with
images captured via UAV. Automation in Construction, v. 133, 2022. ISSN 0926-5805. Disponível em: https://doi.org/10.1016/
j.autcon.2021.103991.
HE, J.; SHAO, L.; LI, Y.; WANG, K.; LIU, W. Pavement damage identification and evaluation in UAV-captured images using gray level
co-occurrence matrix and cloud model. Journal of King Saud University - Computer and Information Sciences, Volume 35, Issue 9,
ISSN 1319-1578. https://doi.org/10.1016/j.jksuci.2023.101762.
VAN DER HORST, B. B.; LINDENBERGH, R. C.; PUISTER, S. W. J. Mobile laser scan data for road surface damage detection. Int. Arch.
Photogramm. Remote Sens. Spatial Inf. Sci., XLII-2/W13, 1141–1148, 2019. DOI: https://doi.org/10.5194/isprs-archives-XLII-2-
W13-1141-2019.
SAYERS, M. W.; GILLESPIE, T. D.; QUEIROZ, C. A. V. The International Road Roughness Experiment: A Basis for Establishing a
Standard Scale for Road Roughness Measurements. Transportation Research Record. 1986.
LIMA, L. C.; AMORIM, V. J. P.; PEREIRA, I. M.; RIBEIRO, F. N.; OLIVEIRA, R. A. R. Using Crowdsourcing Techniques and Mobile Devices
for Asphaltic Pavement Quality Recognition. VI Brazilian Symposium on Computing Systems Engineering. 978-1-5090-2653-1/16.
IEEE. DOI 10.1109/SBESC.2016.26.
DU, Y.; LIU, C.; WU, D.; JIANG, S. Measurement of International Roughness Index by Using Z-Axis Accelerometers and GPS.
Mathematical Problems in Engineering, Volume 2014, Article ID 928980. Disponível em: http://dx.doi.org/10.1155/2014/928980.
PAIXÃO, M. J. S. Determinação da irregularidade superficial do pavimento por meio dos dados de sensores de aceleração vertical
obtidos por medição descentralizada. Dissertação (Mestrado) - Escola Politécnica da Universidade de São Paulo, São Paulo, 2021.
LIMA, G. de S. Detecção de anomalias em pavimentos utilizando sensores inerciais. Dissertação (Mestrado) - Escola Politécnica da
Universidade de São Paulo. São Paulo. 2023.
TEDESCHI, A.; BENEDETTO, F. A real-time automatic pavement crack and pothole recognition system for mobile Android-based
devices. Advanced Engineering Informatics, Volume 32, 2017, Pages 11-25. ISSN 1474-0346. Disponível em: https://
doi.org/10.1016/j.aei.2016.12.004.
LI, P.; ZHOU, B.; WANG, C.; HU, G.; YAN, Y.; GUO, R.; XIA, H. CNN-based pavement defects detection using grey and depth images.
Automation in Construction, Volume 158, 2024, 105192. ISSN 0926-5805. Disponível em: https://doi.org/10.1016/
j.autcon.2023.105192.
ZENG, J.; GÜL, M.; MEI, Q. A computer vision-based method to identify the international roughness index of highway pavements.
Journal of Infrastructure Intelligence and Resilience, Volume 1, Issue 1, 2022. ISSN 2772-9915. Disponível em: https://
doi.org/10.1016/j.iintel.2022.100004.
MISRA, A.; GOOZE, A.; WATKINS, K.; ASAD, M.; LE DANTEC, C. A. Crowdsourcing and Its Application to Transportation Data
Collection and Management. Transportation Research Record: Journal of the Transportation Research Board, No. 2414, D.C., 2014,
pp. 1–8. DOI: 10.3141/2414-01.
STANIEK, M. Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities. Journal of Traffic
and Transportation Engineering (English Edition), Volume 8, Issue 4, 2021, Pages 554-567. ISSN 2095-7564. Disponível em: https://
doi.org/10.1016/j.jtte.2020.09.004.
LI, T.; SURVE, T.; THOMPSON, E.; TAO, C.; BIAN, Y. Towards Human-Centered Pavement Quality Annotation with Crowdsourcing.
Procedia Computer Science, Volume 224, 2023, Pages 266-273. ISSN 1877-0509. Disponível em: https://doi.org/10.1016/
j.procs.2023.09.036.
