Sviluppo di un’Applicazione Web per la Raccolta e l’Analisi di Dati Finalizzata alla Manutenzione Predittiva del Manto Stradale

L'elaborato propone un sistema basato su un'applicazione web che utilizza i sensori di accelerazione e GPS degli smartphone per rilevare automaticamente anomalie nel manto stradale, offrendo una soluzione economica e facilmente implementabile. Il sistema proposto si basa sull'analisi delle vibrazioni registrate durante la guida e sull'utilizzo di tecniche di machine learning per individuare e classificare le irregolarità stradali. L’applicazione sviluppata consente di acquisire i dati accelerometrici e geospaziali tramite un'interfaccia intuitiva, archiviare le informazioni in un database centralizzato ed eseguire analisi sui dati raccolti. Un filtro passa-banda viene applicato per isolare le componenti più significative dei segnali accelerometrici, riducendo l’influenza di manovre di guida e altre fonti di rumore. Successivamente, un algoritmo di anomaly detection classifica i tratti stradali in base al loro livello di deterioramento. Le anomalie rilevate vengono visualizzate su una mappa interattiva, colorando il percorso in base alla severità delle irregolarità identificate. I risultati sperimentali mostrano che il sistema è in grado di individuare efficacemente le anomalie stradali, distinguendo tra superfici in buone condizioni e tratti deteriorati. L’uso del filtro passa-banda ha migliorato la robustezza del sistema, riducendo falsi positivi dovuti a variazioni di velocità o manovre di guida. Tuttavia, il metodo proposto presenta alcune limitazioni, come la dipendenza dal veicolo utilizzato nel campionamento dei dati di training e la sensibilità allo stile di guida. L’approccio adottato dimostra la fattibilità di una soluzione scalabile ed economica per la manutenzione predittiva del manto stradale.