LEVANTAMENTO DOS PERFIS SUBSUPERFICIAIS

Levantaram-se 2 perfis, ambos utilizando o mesmo procedimento. Posicionam-se as antenas no início do perfil, arrasta-as até o final e, em seguida, nomeia-se o arquivo daquele perfil.

6.6.3.4. PROCESSAMENTO DOS DADOS

Os dados de campo dos dois perfis subsuperficiais levantados foram processados no software GRADIX, da empresa Interpex Limited, cuja sequência de operação encontra-se no Apêndice C.

Após o processamento obteve-se o radargrama dos dois perfis sub- superficiais, conforme Figura 6.17.

NOME DESCRIÇÃO IMAGEM

Imagem 1 Perfil localizado a 30cm do bordo da reconstrução da pista - comprimento de 25m Imagem 2 Perfil localizado a 30cm do bordo da reconstrução do acostamento - comprimento de 5,5m

81Figura 6.17 - Radargrama dos dois perfis levantados

6.6.4. METODOLOGIA DO TRABALHO

Para a discriminação das camadas do radargrama através da análise de textura utilizou-se a mesma metodologia descrita na subseção 5.6.4.1.

Inicialmente, as classes informacionais a serem discriminadas nas imagens do radargrama, para as duas imagens, foram: a) revestimento; b) base; c) sub-base; d) subleito. Essas classes foram identificadas no local e estão apresentadas na Figura 6.18.

DESCRIÇÃO IMAGEM

Vista do corte no pavimento - sentido longitudinal, com a identificação das camadas (válido para a Imagem 1)

DESCRIÇÃO IMAGEM

Vista do corte no acostamento - sentido longitudinal, com a identificação das camadas (válido para a Imagem 2)

Figura 6.18 - Identificação das classes informacionais do pavimento (cont.)

Posteriormente, analisando os radargramas das duas imagens verificou- se que visualmente só se conseguia distinguir três camadas. Assim, as imagens serão analisadas com três classes: a) camada 1 – revestimento; b) camada 2 – base e sub-base; c) camada 3 – subleito.

Utilizaram-se apenas blocos 4x4 pixels, visto que blocos maiores (8x8 e 16x16) não deram resultados satisfatórios, conforme relatado na subseção 5.6.4.1.

Com os vetores de características extraídos do radargrama passou-se a fase da classificação supervisionada, utilizando-se inicialmente o algoritmo MaxVer e, posteriormente, usando RNA.

Tanto para a classificação MaxVer e RNA foram selecionadas amostras independentes, divididas em amostras de treinamento e amostras de teste, respectivamente. Para compor as amostras de treinamento foram extraídas 80 amostras para cada classe. Já para as amostras de teste selecionou-se exatamente a metade, ou seja, 40 amostras por classe.

Para facilitar a extração das amostras independentes fez-se uma envoltória nas camadas – Figura 6.19, evitando adquirir amostras em camadas erradas. Tratando-se de radargrama, esse procedimento é importante, visto que a imagem é muito longa e, às vezes, confunde o examinador.

RADARGRAMA SEPARAÇÃO DAS CAMADAS

83Figura 6.19 – Separação das camadas do radargrama para facilitar a obtenção das amostras independentes

Usou-se a rotina desenvolvida no software MatLab para facilitar a extração das amostras independentes (blocos) e a determinação dos vetores de características respectivos, por classe considerada (Apêndice B).

Para a modelagem da RNA, inicialmente, re-escalonou-se os dados entre 0 e 1, para evitar saturação na rede no inicio do treinamento. A definição da topologia interna da rede seguiu o procedimento descrito por Hirose et al. (1991). Os outros parâmetros da rede ficaram assim definidos: os pesos iniciais foram gerados aleatoriamente variando de -0,3 a 0,3; utilizou-se função de ativação logística e taxa de aprendizagem 0,2 e momentum com valor fixo de 0,9; uso das funções de aprendizagem Backpropagation e Backpropagation com Momentum.

6.6.5. RESULTADOS E DISCUSSÕES

Os resultados da classificação das 120 amostras de teste independentes, com o uso do algoritmo MaxVer estão apresentados na Tabela 6.3.

16Tabela 6.3 – Resultados da classificação MaxVer

IMAGEM MATRIZ DE ERROS PARÂMETROS

Classe 1 2 3 Total E.C.(%) Kappa = 0,312 1 36 19 17 72 50,0 Var. Kappa = 0,003374 2 3 6 0 9 33,3 Z estatístico = 5,380 3 1 15 23 39 41,0 Total 40 40 40 120 EG = 54,2% Imagem 1 E.O.(%) 10,0 85,0 22,5

Tabela 6.3 – Resultados da classificação MaxVer (cont.)

IMAGEM MATRIZ DE ERROS PARÂMETROS

Classe 1 2 3 Total E.C.(% Kappa = 0,438 1 25 24 1 50 50,0 Var. Kappa = 0,003829 2 8 11 0 18 42,1 Z estatístico=7,07 3 7 5 39 51 23,5 Total 40 40 40 120 EG = 62,5% Imagem 2 E.O.(%) 37,5 72,5 2,5

Onde: E.C. - erro de comissão e E.O. - erro de omissão; Classe 1 - camada 1 (revestimento); Classe 2 - camada 2 (base + sub-base); Classe 3 - camada 3 (subleito).

Em relação a classificação das 120 amostras de teste independentes, utilizando RNA, os resultados estão apresentados na Tabela 6.4.

17Tabela 6.4 - Resultados da classificação RNA

IMAGEM MATRIZ DE ERROS PARÂMETROS

Classe 1 2 3 Total E.C.(%) Kappa = 0,388 1 20 9 0 29 31,0 Var. Kappa = 0,004121 2 7 17 6 30 43,3 Z estatístico = 6,036 3 13 14 34 61 44,3 Total 40 40 40 120 EG = 59,2% Imagem 1 E.O.(%) 50,0 57,5 15,0

Classe 1 2 3 Total E.C.(%) Kappa = 0,613 1 26 9 0 35 74,3 Var. Kappa = 0,003431 2 11 23 0 34 67,6 Z estatístico = 10,457 3 3 8 40 51 78,4 Total 40 40 0 120 EG = 74,2% Imagem 2 E.O.(%) 35,0 42,5 0

Onde: E.C. - erro de comissão e E.O. - erro de omissão; Classe 1 - camada 1 (revestimento); Classe 2 - camada 2 (base + sub-base); Classe 3 - camada 3 (subleito).

O erro de omissão é o erro devido a pixels classificados omitidos de sua correta classe e assinalados a uma outra classe, e o erro de comissão é o erro devido a pixels que são erroneamente incluídos em uma dada classe quando

deveriam ser assinalados à classe correta.

O índice Kappa e a sua variância representam uma ponderação entre as concordâncias e discrepâncias dos dados de referência e os dados classificados. Com o índice Kappa e sua variância é possível aplicar o teste estatístico Z, que sendo maior que o valor tabelado de 1,96, é significativo para 95% dos níveis de confiança, sendo considerado melhor que uma classificação aleatória.

A Imagem 1, quando classificada pelo MaxVer, obteve uma exatidão global igual a 54,2% e um Kappa igual a 0,312. Já a Imagem 2 obteve para o mesmo classificador, uma exatidão global igual a 62,5% e um Kappa igual a 0,438.

Quando se classificaram as imagens com RNA, a Imagem 1 obteve uma exatidão global igual a 59,2% e um Kappa igual a 0,388. Já a Imagem 2 obteve para o mesmo classificador, uma exatidão global igual a 74,2% e um Kappa igual a 0,613.

A topologia da RNA utilizada na Imagem 1 foi 2-3-3 (2 neurônios na camada de entrada, 3 neurônios na camada escondida e 3 neurônios na camada de saída) e a rede estabilizou-se com 10.000 ciclos. Já para a Imagem 2, a topologia foi 2-8-3 e a rede estabilizou-se com 25.000 ciclos.

Considerando a qualidade do radargrama para as duas imagens analisadas, tanto os dados classificados pelo MaxVer quanto pela RNA apresentaram resultados aceitáveis. A Imagem 2 foi melhor classificada que a Imagem 1, tanto com o classificador MaxVer quanto com RNA, possivelmente porque as amostras da Imagem 2 foram mais representativas das camadas consideradas. Uma vez que as imagens analisadas são muito parecidas, esperava-se resultados semelhantes.

Ambos os classificadores tiveram dificuldades em distinguir a Classe 2, confundindo, principalmente, com a Classe 1. A Classe 3 foi a melhor

classificada pelos dois classificadores.

Esclarecendo sobre a qualidade do radargrama citado anteriormente, na prática mundial rodoviária, utiliza-se GPR de frequência superior a 1,6 GHz, que proporciona uma qualidade do radargrama bem superior ao utilizado nesta tese, obtido com um GPR de 900 MHz.