Intelligent Transport Systems are tools that facilitate the acquisition, processing, integration, and availability of information to manage the road transport network. A part of these systems is dedicated to identifying and classifying vehicles. The regulatory and inspection agencies of transport in Brazil define a set of vehicle categories based on the number of axles and double wheels. There are different approaches to solving the problem of classifying vehicles. The best score among the solutions found varies between 95% and 99%. These strategies use discrete sensors installed on the pavement, activated by mechanical effort, in the vehicle wheel's passage. This approach has some drawbacks, such as the impossibility of counting suspended axles, time degradation, and reliability loss. Thus, it is necessary to continually develop and improve the tools and computational techniques that allow the automatic classification of vehicles traveling on highways. We propose developing methods and computational models to improve vehicle axle counting in traffic analysis systems - a classification method based on binary images of vehicle profiles extracted from a curtain composed of optical sensors. The proposed method uses a modified AlexNet convolutional neural network. The last layers of the network were adapted to the vehicle classification problem. To train the network, we use transfer learning and data augmentation techniques. The method was tested using 5329 images consisting of 11 vehicle categories. Results achieved 98.39% accuracy, indicating that replacing a set of sensors by processing data only from the optical barrier may be a feasible alternative.

Os Sistemas Inteligentes de Transporte (ITS) são um conjunto de ferramentas que facilitam a aquisição, processamento, integração e disponibilização da informação para os usuários e a administração do sistema de transporte. Uma das funcionalidades do ITS é voltada a identificar e classificar os veículos. No Brasil, as agências reguladoras e fiscalizadoras de transporte definem um conjunto de categorias de veículos baseadas na quantidade de eixos e rodas duplas. Dentre as diferentes abordagens existentes para classificar veículos, as soluções com melhor desempenho alcançam índices de acerto que variam entre 95% e 99%. A maoiria das estratégias utilizam sensores de pressão (piezo elétricos ou mecânicos) instalados no pavimento que detectam a passagem da roda do veículo. Esse tipo de solução apresenta alguns inconvenientes, como a impossibilidade de contar eixos suspensos, a degradação com o tempo e perda de confiabilidade. Diante disso, é necessário o desenvolvimento novas formas de classificação automática de veículos que trafegam pelas rodovias. Este trabalho propõe desenvolver um novo método de contagem de eixos veiculares em sistemas de análise de tráfego. Para isso foi desenvolvido um método de classificação baseado somente em imagens binárias dos perfis dos veículos, extraídas a partir de uma cortina constituída por barreiras ópticas. O método proposto utiliza uma rede neural convolucional (CNN). Utilizamos a rede AlexNet modificada, onde a última camada da rede foi adaptada ao padrão de classificação de veículos adotado pela Agência Reguladadora de Transporte do Estado de São Paulo (ARTESP). O treinamento da rede neural foi feito utilizando o método de Transfer Learning e a técnica de Data Augmentation. O método proposto foi avaliado utilizando um conjunto de 5329 imagens constituídas por 11 categorias de veículos. A acurácia do resultado alcançado foi de 98,39% de acertos, o que indica que a substituição de um conjunto de sensores pelo tratamento dos dados somente da barreira óptica poderá ser uma alternativa factível.