Sistemas para detecção automática de anomalias no pavimento são de suma importância para gestores públicos, seja para a realização de reparos de buracos, para monitoramento de ativos ou para mapear a deterioração das vias. Na última década tem crescido a utilização de automóveis providos de sensores inerciais embarcados para a realização dessa tarefa, no qual os dados de campo são captados e transmitidos para análises que comumente empregam algoritmos de aprendizado supervisionado para a identificação dos elementos no asfalto, entretanto um problema intrínseco com essa abordagem está no fato de que a coleta dos dados anômalos é em sua essência difícil e desbalanceada, o que potencialmente aumenta a geração de falsos positivos no momento da predição. Outro problema comum nessa área é a não utilização de um método para o estabelecimento da frequência de amostragem para esses sensores, fazendo com que muitos trabalhos sobre amostrem o sinal de captura, inviabilizando a criação de sistemas descentralizados devido ao alto numero de amostras por veículo. Portanto, o trabalho aqui descrito tem como objetivo criar um sistema para a detecção de anomalias, onde um método para a definição da frequência de amostragem é estabelecido e um modelo de aprendizado não supervisionado testado para o módulo de detecção. Resultados apontam que é possível trabalhar com uma frequência de amostragem menor que a frequência de Nyquist, sub amostrando assim o sinal no momento da coleta e, a partir de um módulo de aprendizado não supervisionado pode-se detectar amostras anômalas com uma assertividade de 94%.

Systems for automatically detecting pavement anomalies are extremely important for public managers, whether for repairing potholes, monitoring assets or mapping road deterioration. In the last decade, the use of automobiles equipped with on-board inertial sensors has grown to carry out this task, in which field data is captured and transmitted for analyzes that commonly employ supervised learning algorithms to identify elements on the asphalt, however a problem Intrinsic to this approach is the fact that collecting anomalous data is essentially difficult and unbalanced, which potentially increases the generation of false positives at the time of prediction. Another common problem in this area is the failure to use a method to establish the sampling frequency for these sensors, causing many studies to sample the capture signal, making the creation of decentralized systems unfeasible due to the high number of samples per vehicle. Therefore, the work described here aims to create a system for anomaly detection, where a method for defining the sampling frequency is established and an unsupervised learning model tested for the detection module. Results indicate that it is possible to work with a sampling frequency lower than the Nyquist frequency, thus sub-sampling the signal at the time of collection and, using an unsupervised learning module, it is possible to detect anomalous samples with an accuracy of 94 %.