Sistemas de Transportes Inteligentes (STIs) englobam um conjuntos de tecnologias (Sensoriamento Remoto, Tecnologia da Informação, Eletrônica, Sistemas de Comunicação de Dados entre outros) que visam oferecer serviços e gerenciamento de tráfego avançado para meios de transporte rodoviário, aéreo e outros. A obtenção de informações a respeito das características e das condições do pavimento das estradas constitui uma parte importante dentro do sensoriamento nesses STIs. Investigar novas técnicas, metodologias e meios de automatizar a obtenção dessas informações é parte deste trabalho. Uma vez que existem diferentes tipos de defeitos em vias pavimentadas, esta tese apresenta a proposta de uma metodologia que permite a obtenção, de forma automática, das condições dos pavimentos asfálticos. A obtenção dos dados foi realizada por meio do Sensoriamento Remoto com uso de Veículos Aéreos Não Tripulados. A utilização de técnicas de Aprendizado de Máquina na detecção automática possibilitou alcançar uma acurácia de 99% na detecção de pavimentos asfálticos flexíveis e 92% na identificação de defeitos em alguns experimentos. Como resultado obteve-se o diagnóstico automático, não só das condições da via, mas de diferentes tipos de defeitos presentes em pavimentos.

Intelligent Transport Systems (ITS) is a set of integrated technologies (Remote Sensing, Information Technology, Electronics, Data Communication Systems among others) that aims to provide services and advanced traffic management for road, air, rail and others transportation systems. Obtaining information about characteristics and road pavement conditions is an important part within the sensing these ITS. Investigating new techniques, methods and means to optimize and automate obtaining these information are part of this work, since there are different types of defects on paved roads. Thus, this thesis proposes a methodology that allows automatically obtain information about the condition of the pavement. Data collection was performed with remote sensing technology using Unmanned Aerial Vehicles. Automatic detection was possible through the use of Machine Learning techniques with 99% of accuracy in pavements and 92% in distress identification. As a result we obtained the self-diagnosis, not just the pavement, but different types of distress present in the pavement.