ETD

• computer vision
• crack segmentation
• deep learning
• road damage detection
• tire cavity noise
• tire-road noise

According to the 2025 report of the European environmental agency, noise associated with road infrastructures represents the main source of acoustic pollution in urban areas.
Since the detrimental impact on human health associated with a prolonged exposure to high levels of noise are well documented, the development of effective monitoring and mitigation techniques for road noise represent a priority in the field of environmental acoustics.
The acoustic emission associated with tire-road interaction represents one of the main components of the overall noise in urban areas and it is strongly correlated, for frequencies below 1 kHz, to the texture of the road pavement.
Traditional pavement evaluation techniques usually require lengthy procedures, which have to be carefully supervised by specialized personnel. A growing interest is being dedicated by the new possibilities for automatic classification disclosed by the recent advancements in the field of deep learning. In particular, approaches based on computer vision and time series identification might represent valuable resources for the indirect analysis of road pavement conditions. Furthermore, a recently proposed acoustic index, called Tire cavity noise. might provide valuable insight on both the acoustic emission and the texture of road pavements.
The present study aims at assessing the feasibility of a synergic system for the monitoring of road pavement health that could integrate information provided by tire cavity noise sensors and computer vision algorithms; in order to provide a comprehensive and thorough characterization of the road pavement.
First, the technological challenges associated with the development of a TCN sensor were addressed and a functioning prototype was proposed.
Next, computer vision algorithms for the purpose of road surface monitoring were evaluated. In the present study, a U-shaped neural network was selected for the development of an automatic crack segmentation system.
Finally, a mobile laboratory, equipped with the previously developed instrumentation, was used to perform real-life measurements,in order to assess the feasibility of a synergic approach integrating tire cavity noise analysis and computer vision algorithms.
The results of the case study highlighted the limitations associated with the current approach and led to the proposal of a new synthetic index for the evaluation of road pavement conditions.

Secondo il rapporto del 2025 dell'Agenzia europea dell'ambiente, il rumore associato alle infrastrutture stradali rappresenta la principale fonte di inquinamento acustico nelle aree urbane.
Poiché gli effetti dannosi sulla salute umana associati a un'esposizione prolungata ad alti livelli di rumore sono ben documentati, lo sviluppo di tecniche efficaci per il monitoraggio e la mitigazione del rumore stradale rappresenta una priorità nel campo dell'acustica ambientale.
L'emissione acustica associata all'interazione pneumatico-strada rappresenta una delle componenti principali del clima acustico nelle aree urbane ed è fortemente correlata, per frequenze inferiori a 1 kHz, alla tessitura del manto stradale.
Le tecniche tradizionali per la valutazione delle pavimentazioni stradali richiedono solitamente procedure lunghe, che devono essere attentamente supervisionate da personale specializzato. Un crescente interesse viene quindi rivolto alle nuove possibilità di classificazione automatica rese possibili dai recenti progressi nel campo del deep learning. In particolare, gli approcci basati sulla computer vision e sulla classificazione basata su serie temporali potrebbero rappresentare risorse preziose per l'analisi indiretta delle condizioni delle pavimentazioni stradali. Inoltre, un indice acustico recentemente proposto, denominato Tire cavity noise, potrebbe fornire informazioni preziose sia sull'emissione acustica che sulla tessitura delle pavimentazioni stradali.
Il presente studio si propone di valutare la fattibilità di un sistema sinergico per il monitoraggio dello stato di salute delle pavimentazioni stradali, in grado di integrare le informazioni fornite dai sensori di rumore all'interno della cavità dello pneumatico e dagli algoritmi di visione artificiale; al fine di fornire una caratterizzazione completa e approfondita della pavimentazione stradale.
Sono state inizialmente affrontate le sfide tecnologiche associate allo sviluppo di un sensore TCN ed è stato proposto un prototipo funzionante.
In seguito, sono stati valutati algoritmi di visione artificiale per il monitoraggio della superficie stradale. Nel presente studio, è stata selezionata una rete neurale U-shaped per lo sviluppo di un sistema automatico di segmentazione delle fessure.
Infine, è stato utilizzato un laboratorio mobile, dotato della strumentazione precedentemente sviluppata, per effettuare misurazioni in contesti reali, al fine di valutare la fattibilità di un approccio sinergico che integri l'analisi del Tire cavity noise e gli algoritmi di computer vision.
I risultati dello studio hanno evidenziato i limiti associati all'approccio attuale e hanno portato alla proposta di un nuovo indice sintetico per la valutazione delle condizioni della pavimentazione stradale.