L’applicazione di tecniche di Deep Learning su segnali vibrazionali per il riconoscimento di anomalie del manto stradale è fondamentale nei moderni sistemi di monitoraggio delle condizioni del manto stradale ed ha conosciuto un notevole sviluppo negli ultimi anni.
Questo studio propone un architettura ibrida SepConv1D-LSTM migliorata, tramite l’impiego di tecniche di Transfer Learning per la classificazione di anomalie dell’asfalto, a partire da dati accelerometrici acquisiti tramite sensori di smartphone.
Questo lavoro è stato supportato in parte nell’ambito del progetto nazionale PNRR dal Centro Nazionale per la Mobilità Sostenibile (MOST): SPOKE 7 “Mobilità Cooperativa Connessa e Automatizzata (CCAM)”, WP4.
L’articolo è disponibile qui: ieeexplore.ieee.org/abstract/document/11404137