Vehicle weighing through sensor fusion

Over the past years, real-time monitoring of infrastructure has become an issue at the center of much attention. In the context of road infrastructure, knowledge of the extent and characteristics of traffic is a crucial aspect to be taken into account, from the moment that it can be related to the state of deterioration of the structures involved. Especially, considering the increasing number of vehicles, the need of planned interventions requires the use of suitable monitoring techniques to verify the actual state of deterioration. All of this results into an economic benefit on maintenance interventions, as well as in increased safety of the road apparatus. Among the methods used to observe the characteristics of vehicles in transit, the WIM system is certainly among the most widely used. Information related to vehicle weight, number and weight of axles, speed, are measured from this sys tem. The following study investigates the feasibility of an method alternative to the WIM that can provide vehicle classification based on the joint use of accelerometers and video acquisition systems. The information from the video processing system (YOLO), is linked to that of the raw accelerometer data, identifying a portion of the signal associated with the individual vehicle. From these portions, synthetic indicators are extracted and used to build a machine learning model capable of distinguishing vehicles into weight classes. In this first approach a distinction into two categories (light vehicles and heavy vehicles) is proposed, laying the foundation for more refined models capable of tracing actual weight through regression techniques.

Negli ultimi anni, il monitoraggio in tempo reale delle infrastrutture è diventato un tema al centro di numerose attenzioni. Nell’ambito delle infrastrutture stradali, la conoscenza della portata e delle caratteristiche del traffico è un aspetto cruciale da tenere in consid erazione, perchè correlabile allo stato di deterioramento delle opere stesse.In particolar modo, considerando il numero sempre maggiore di veicoli su strada, la necessità di inter venti mirati richiede l’utilizzo di tecniche di monitoraggio idonee per la verifica dello stato di degrado effettivo. Tutto questo si traduce in un beneficio economico sugli interventi di manutenzione, nonchè in una maggiore sicurezza dell’apparato stradale. Tra i metodi per l’osservazione delle caratteristiche dei veicoli in transito, il sistema WIM è sicuramente tra i più utilizzati. Le informazioni legate al peso dei veicoli, numero e peso degli assi, velocità, vengono estrapolate da questo sistema. Il seguente lavoro ha come scopo quello di investigare la fattiblità di un metodo alternativo al WIM, in grado di fornire una clas sificazione dei veicoli basata sull’uso sinergico di sensori accelerometrici e di acquisizione video. L’informazione del sistema di elaborazione video (YOLO), si lega a quella del dato grezzo accelerometrico, identificando una porzione di segnale associata al singolo veicolo. Da tali porzioni si estraggono degli indicatori sintetici utilizzati per la realizzazione di un modello di ’machine learning’ in grado di distinguere i veicoli in classi di peso. In questo primo approccio viene proposta una distinzione in due categorie,quella dei ve icoli leggeri da quelli pesanti, ponendo le basi per modelli più raffinati in grado di risalire al peso effettivo tramite tecniche di regressione.