Sinalização vista de cima: desenvolvimento de um modelo de visão computacional para classificação da conservação de marcações rodoviárias
Resumo
A manutenção da sinalização rodoviária é fundamental para a segurança no trânsito, mas seu monitoramento é oneroso e trabalhoso. Este trabalho propõe uma abordagem de Inteligência Artificial para classificação da conservação das marcações horizontais em rodovias brasileiras a partir de imagens aéreas. Foi construído um dataset de imagens, rotuladas quanto ao estado da sinalização, e treinado um modelo baseado em MobileNetV2 utilizando transfer learning e fine-tuning. Os resultados demonstram alta acurácia, apesar de um dataset pequeno. A solução apresentada demonstra a utilidade da IA em aplicações de monitoramento de infraestrutura.Referências
Babić, D., Fiolić, M., Babić, D., and Gates, T. (2020). Road markings and their impact on driver behaviour and road safety: A systematic review of current findings. Journal of Advanced Transportation, 2020.
Confederação Nacional do Transporte (CNT) (2022). Anuário CNT do Transporte 2022. [link].
Confederação Nacional do Transporte (CNT) (2024). Pesquisa CNT de Rodovias 2024. [link].
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Tozevich, L. G. W., Librelotto, G. R., and Tozevich, P. L. (2023). Classificação de patologias em estruturas usando redes neurais convolucionais: diferenciação em trincas, fissuras e rachaduras. Revista ComInG – Communications and Innovations Gazette, 7(1):73–86.
Wu, J., Liu, W., and Maruyama, Y. (2024). Street view image-based road marking inspection system using computer vision and deep learning techniques. Sensors, 24(23):7724.
Zhuang, F., Qi, Z., Duan, K., Xi, D., Zhu, Y., Zhu, H., Xiong, H., and He, Q. (2021). A comprehensive survey on transfer learning. Proceedings of the IEEE, 109(1):43–76.
Confederação Nacional do Transporte (CNT) (2022). Anuário CNT do Transporte 2022. [link].
Confederação Nacional do Transporte (CNT) (2024). Pesquisa CNT de Rodovias 2024. [link].
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Tozevich, L. G. W., Librelotto, G. R., and Tozevich, P. L. (2023). Classificação de patologias em estruturas usando redes neurais convolucionais: diferenciação em trincas, fissuras e rachaduras. Revista ComInG – Communications and Innovations Gazette, 7(1):73–86.
Wu, J., Liu, W., and Maruyama, Y. (2024). Street view image-based road marking inspection system using computer vision and deep learning techniques. Sensors, 24(23):7724.
Zhuang, F., Qi, Z., Duan, K., Xi, D., Zhu, Y., Zhu, H., Xiong, H., and He, Q. (2021). A comprehensive survey on transfer learning. Proceedings of the IEEE, 109(1):43–76.
Publicado
12/11/2025
Como Citar
BRIZZI, Guilherme; TOZEVICH, Luís Gustavo Werle.
Sinalização vista de cima: desenvolvimento de um modelo de visão computacional para classificação da conservação de marcações rodoviárias. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 252-255.
DOI: https://doi.org/10.5753/eramiars.2025.16629.
