Monitoraggio di pavimentazioni stradali urbane

Il monitoraggio delle pavimentazioni stradali, cruciale per sicurezza ed efficienza, è tradizionalmente lento e soggettivo. Per superare questi limiti, i ricercatori della Sapienza hanno sviluppato un modello Python basato su Reti Neurali Convoluzionali (CNN), addestrato su un ampio dataset, per l’identificazione automatica di difetti (fessure e buche) ripresi tramite Dashcam in ambiente urbano. Il modello ha raggiunto un’affidabilità (Accuracy) del 62% (Precision 64%, Recall 74,5%), con i risultati del Pavement Condition Index (PCI) calcolati automaticamente che sono stati confrontati con i rilievi manuali su 23 sezioni stradali. I risultati mostrano che il metodo automatico è soddisfacente su pavimentazioni mediamente danneggiate, ma presenta limiti in presenza di difetti complessi (es. fessure a pelle di coccodrillo) o a causa di condizioni esterne come ombreggiature e scarsa luminosità. In conclusione, pur con queste criticità, i metodi automatici rappresentano strumenti innovativi per supportare e digitalizzare la gestione delle infrastrutture.