Detection and classification of small impacts on vehicles based on deep learning algorithms

Abstract

This thesis explores the detection of impacts that cause damage based on data retrieved by an accelerometer placed inside a vehicle and subsequently classified by deep learning algorithms. The real world application of this work inserts itself in the car sharing market, by providing an automated service that allows constant monitoring on the vehicle status. The proposed solution was set as an alternative to the current machine learning algorithms in use. Previous research showed that deep learning algorithms are achieving better performance results when compared to non deep learning algorithms. We use data retrieved from two types of events: Normal driving and damage causing situations to test if the models are capable of generalising damage events. The approach to achieve this objective consisted in exploring and testing different algorithms: Multi Layer Perceptron (MLP), Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN). Results revealed promising performance, with the MLP reaching a 82% true positive rate. Despite not matching the result obtained by the current non deep learning algorithm allows us to assess that deep learning is a strong alternative in the long term as more data is collected.

O principal objectivo desta tese foi a exploração e detecção de impactos que causam danos com base em dados recolhidos por um acelerómetro colocado no interior um veículo e posteriormente classificados por algoritmos de deep learning. A aplicação deste trabalho no mundo real insere-se no mercado de partilha de veículos, ao fornecer um serviço automático que permite uma monitorização constante do estado do veículo. A solução proposta foi definida como uma alternativa aos actuais algoritmos de machine learning em uso. A revisão de literatura revelou que algoritmos de deep learning estão a alcançar melhores resultados de desempenho quando comparados com algoritmos de machine learning. Utilizamos dados recolhidos de dois tipos de eventos: Condução normal e situações que causam dano e testar se os modelos são capazes de generalizar os eventos de danos. A abordagem para alcançar este objectivo consistiu em explorar e testar diferentes algoritmos: MLP, CNN e RNN. Os resultados revelaram um desempenho promissor, com a MLP a atingir uma taxa de 82% de verdadeiros positivos. Apesar de não corresponder ao melhor resultado obtido pelo actual algoritmo de machine learning em uso permite-nos avaliar que deep learning é uma forte alternativa a longo prazo à medida que mais dados forem recolhidos.