Automatic Road Subsurface Distress Recognition from Ground Penetrating Radar Images using Deep Learning-based Cross-verification

1. Problema Identificado

O desconforto do subsolo rodoviário (RSD), que inclui estruturas frouxas, descolamento entre camadas e vazios, representa uma ameaça crítica à segurança das infraestruturas, podendo levar a colapsos catastróficos.

• Limitações Atuais: A detecção tradicional utiliza o Radar de Penetração no Solo (GPR), mas a interpretação dos dados é intensiva em mão de obra, demorada (cerca de 1 hora por km para profissionais) e depende excessivamente da experiência do inspetor, o que limita a objetividade e a escalabilidade.
• Desafios da IA Existente: Métodos baseados em aprendizado profundo (Deep Learning) já foram aplicados, mas frequentemente falham em:
  • Reconhecer defeitos com alta precisão (especialmente em recall), com muitas taxas abaixo de 90%.
  • Lidar com a complexidade dos dados 3D do GPR (anotação difícil, custo computacional alto de redes 3D CNN).
  • Utilizar efetivamente a informação multiview (diferentes planos de corte), muitas vezes apenas concatenando características sem explorar as diferenças inerentes entre as vistas.

2. Metodologia Proposta

O estudo propõe uma estratégia de verificação cruzada (cross-verification) baseada em Deep Learning para superar as limitações dos modelos de detecção de objetos em uma única vista.

A. Coleta e Construção do Dataset

• Escala: Um grande conjunto de dados foi construído a partir de levantamentos de campo em duas metrópoles chinesas (Chengdu e Guangzhou), cobrindo 1.250 km de estradas urbanas.
• Dados: O dataset contém 2.134 amostras rigorosamente validadas (incluindo vazios, estruturas frouxas, bueiros e partes saudáveis), anotadas por engenheiros experientes e verificadas através de amostragem de núcleo e testes de deflexão.
• Variabilidade: Os dados abrangem diferentes tipos de solo, condições geotécnicas e climáticas, garantindo robustez no treinamento.

B. Arquitetura do Modelo

Foram utilizados três modelos independentes baseados na arquitetura YOLO (You Only Look Once), especificamente uma variante anchor-free otimizada para velocidade e precisão.

• Modelos Específicos:
  • Modelo-C: Treinado com imagens C-scan (seção horizontal).
  • Modelo-B: Treinado com imagens B-scan (seção longitudinal).
  • Modelo-D: Treinado com imagens D-scan (seção transversal).
• Observação Chave: Cada vista do GPR revela características distintas dos defeitos. Por exemplo, estruturas frouxas são mais visíveis no C-scan, enquanto a distinção entre vazios e estruturas frouxas é mais clara no D-scan.

C. Estratégia de Verificação Cruzada

Em vez de usar um único modelo complexo, a estratégia utiliza os três modelos em um fluxo sequencial de três etapas para filtrar e classificar os dados:

1. Filtragem de Saúde (Modelo-C): O Modelo-C atua como o filtro primário para identificar a presença de anomalias, descartando as partes saudáveis com alta sensibilidade.
2. Filtragem de Bueiros (Modelo-B): O Modelo-B é utilizado para distinguir defeitos reais de bueiros (manholes), que podem gerar sinais semelhantes, eliminando falsos positivos causados por infraestrutura subterrânea conhecida.
3. Classificação de Defeitos (Modelo-D): O Modelo-D classifica os defeitos restantes, diferenciando especificamente entre vazios e estruturas frouxas.

3. Contribuições Principais

• Estratégia Multiview Inteligente: A proposta de não apenas concatenar imagens, mas usar modelos especializados em cada vista (B, C, D) com uma lógica de verificação cruzada sequencial. Isso explora a complementaridade das informações de cada ângulo.
• Dataset de Grande Escala e Diversificado: A criação de um dos maiores conjuntos de dados de campo anotados para RSD (2.134 amostras validadas), cobrindo diversas condições geotécnicas, superando a escassez de dados em estudos anteriores.
• Alta Sensibilidade (Recall): O foco do método é garantir que nenhum defeito seja perdido (falso negativo), priorizando a segurança pública, mesmo que isso aumente ligeiramente os falsos positivos (que são facilmente revisados manualmente).

4. Resultados e Desempenho

Desempenho no Conjunto de Testes (Dataset de Campo)

A estratégia de verificação cruzada demonstrou superioridade em relação aos modelos individuais e a estudos anteriores:

• Recall (Taxa de Detecção): 98,6% para detecção geral de RSD.
• Precisão: 95,9%.
• Classificação Específica:
  • Vazios: Recall de 84,1%.
  • Estruturas Frouxas: Recall de 86,0%.
• Comparado com estudos recentes (Tabela 1 do artigo), que muitas vezes apresentam recalls abaixo de 90% ou usam datasets menores/sintéticos, este método atingiu o estado da arte em dados reais.

Validação em Testes de Campo (Novos Dados)

O método foi testado em 15 novas estradas (69,4 km) em três cidades:

• Recall de 100%: Nenhum defeito foi perdido (zero falsos negativos).
• Falsos Positivos: Houve 127 falsos positivos (202 detecções automáticas vs. 75 manuais). No entanto, o artigo argumenta que isso é aceitável, pois:
  • A revisão manual desses casos é rápida.
  • Áreas com alta taxa de falsos positivos podem indicar riscos latentes que merecem atenção extra.

Eficiência Operacional

• Redução de Mão de Obra: A combinação de processamento automático seguido de revisão manual reduziu o tempo de inspeção em aproximadamente 90%.
  • Processamento manual total: ~1.128 minutos (19 horas).
  • Revisão dos resultados automáticos: ~101 minutos (menos de 2 horas).
• Tempo de Processamento: O processamento automático inicial levou mais tempo devido ao hardware utilizado (workstation de custo inferior), mas a arquitetura permite paralelização em múltiplos nós para acelerar o processo.

5. Significado e Conclusão

O estudo demonstra que a detecção automática de desconforto do subsolo rodoviário é viável e altamente eficaz quando se utiliza uma abordagem de verificação cruzada multiview.

• Impacto Prático: Permite a inspeção em larga escala e de longo prazo de estradas urbanas, reduzindo drasticamente o custo e o tempo de inspeção sem comprometer a segurança.
• Flexibilidade: A estratégia é independente do modelo de detecção específico, podendo ser adaptada a diferentes arquiteturas de Deep Learning e servir como um framework de referência para futuros algoritmos.
• Segurança: Ao priorizar o recall (garantir que nenhum defeito passe despercebido), o método alinha-se perfeitamente com os objetivos de manutenção preventiva e segurança pública, transformando a inspeção de uma tarefa reativa e manual para um processo proativo e assistido por IA.