Detecção de Defeitos Viários com Inteligência Artificial: Engenharia de Visão Computacional Aplicada à Gestão Ativa de Pavimentos

A gestão de pavimentos urbanos no Brasil sofre historicamente com a escassez de dados estruturados. Municípios dependem de vistorias manuais lentas e subjetivas, ou de equipamentos caros que inviabilizam o monitoramento contínuo. Isso gera um modelo puramente reativo, no qual intervenções ocorrem apenas em estágios críticos de degradação, demandando reconstruções onerosas.

A engenharia de visão computacional integrada a frotas de fiscalização urbana rompe esse ciclo. Ao embarcar algoritmos de aprendizado profundo (deep learning) em veículos de fiscalização de trânsito ou estacionamento rotativo que já circulam diariamente, a coleta de dados atinge custo marginal zero. O pavimento passa a ser avaliado de forma contínua, objetiva e georreferenciada, alimentando Sistemas de Gerência de Pavimentos (SGP).

1. Engenharia de Visão Computacional no Pavimento: Sensores, Modelos e Processamento

A detecção automatizada de patologias asfálticas exige uma arquitetura de hardware e software projetada para as condições extremas do ambiente urbano brasileiro. Diferente de testes controlados em laboratório, os veículos de fiscalização enfrentam variações abruptas de luminosidade, sombras de árvores e prédios, trepidação constante e oclusões causadas pelo tráfego intenso.

Arquitetura de Hardware e Posicionamento dos Sensores

Para garantir a captação de imagens com resolução e ângulo adequados para a análise de trincas milimétricas, a Areatec utiliza câmeras de alta velocidade (global shutter) com resolução mínima de 4K (3840x2160 pixels) e lentes com distância focal calibrada para minimizar distorções ópticas nas bordas do quadro. Câmeras comuns com obturador eletrônico do tipo rolling shutter sofrem com o efeito de distorção de movimento (motion blur) quando o veículo se desloca a velocidades urbanas normais (entre 40 e 60 km/h). O uso de sensores global shutter garante que todos os pixels do sensor sejam expostos simultaneamente, capturando imagens nítidas mesmo sob forte trepidação.

As câmeras são montadas em suportes antivibração (gimbals eletromecânicos com amortecimento passivo por elastômeros) instalados no teto ou na parte frontal do veículo. O ângulo de inclinação do eixo óptico é fixado entre 30 e 45 graus em relação ao plano horizontal da via. Essa geometria de captura permite cobrir uma faixa de rolamento completa (aproximadamente 3,5 metros de largura) mantendo uma resolução espacial de até 1,5 milímetro por pixel na área de interesse imediato (entre 3 e 8 metros à frente do veículo).

A iluminação é estabilizada por algoritmos de compensação dinâmica de exposição baseados em regiões de interesse (ROI) do CORTEX AI, mitigando sombras de árvores e prédios. Em condições noturnas, iluminadores infravermelhos pulsados sincronizados com o obturador garantem contraste constante sem perturbar a visão dos motoristas na via.

Modelos de Deep Learning: Detecção e Segmentação Semântica

O processamento das imagens estruturadas ocorre em duas etapas consecutivas na arquitetura de inteligência artificial do CORTEX AI:

• Detecção de Objetos com YOLOv8 e YOLOv11 Adaptados: Para defeitos discretos e localizados, como panelas (buracos) e remendos, aplicam-se redes neurais convolucionais da família YOLO (You Only Look Once), otimizadas com camadas de atenção espacial (Squeeze-and-Excitation ou Convolutional Block Attention Module - CBAM). Essas camadas direcionam o foco da rede para texturas de alta frequência típicas de falhas estruturais, ignorando o ruído visual de folhas secas, sujeira ou sombras na pista.
• Segmentação Semântica com U-Net e FCN: Para manifestações patológicas lineares ou ramificadas, como trincas longitudinais, transversais e couro de jacaré, a detecção por caixas delimitadoras (bounding boxes) é insuficiente para calcular a área afetada ou a extensão do dano. Nesses casos, o sistema emprega redes de segmentação semântica baseadas em arquiteturas U-Net ou redes totalmente convolucionais (Fully Convolutional Networks - FCN) com codificadores ResNet-50 pré-treinados. A segmentação classifica cada pixel da imagem individualmente, permitindo a extração exata da geometria da trinca, sua largura média e densidade por metro quadrado.

A perda de classes desbalanceadas é tratada através da função de perda Focal Loss. Como o pavimento íntegro representa mais de 95% dos pixels capturados em uma rota típica, as funções de perda tradicionais tendem a ignorar as patologias. A Focal Loss ajusta o peso das atualizações dos gradientes durante o treinamento, focando nos exemplos difíceis (as patologias viárias) e minimizando a influência das áreas sem defeitos. Para garantir robustez frente à realidade nacional, o CORTEX AI foi treinado com mais de 10 milhões de imagens de vias brasileiras, cobrindo variações climáticas tropicais, remendos irregulares de concessionárias e diferentes tipos de agregados asfálticos.

Georreferenciamento de Alta Precisão e Fusão de Sensores

Cada defeito identificado pelo CORTEX AI precisa ser localizado no espaço físico com precisão suficiente para guiar as equipes de manutenção. O veículo de fiscalização integra um receptor GNSS multifrequência com suporte a correções RTK (Real-Time Kinematic) e uma Unidade de Medição Inercial (IMU) de nível industrial.

A fusão de sensores ocorre por meio de um Filtro de Kalman Estendido (EKF). Quando o veículo passa sob viadutos, túneis ou "cânions urbanos" formados por prédios altos, onde o sinal de GPS sofre degradação ou perda total (multipath), a IMU assume o cálculo de odometria e atitude do veículo. Ao recuperar o sinal GNSS, o sistema corrige as derivas acumuladas. Esse arranjo garante que cada coordenada de defeito registrada apresente um erro posicional inferior a 0,5 metro, permitindo a sobreposição perfeita dos dados em mapas digitais e sistemas de informação geográfica (GIS).

2. Padronização Nacional: Normas do DNIT e Classificação de Defeitos

A validação de um sistema de visão computacional para a administração pública brasileira requer a aderência estrita às normas técnicas vigentes. No âmbito federal, o Departamento Nacional de Infraestrutura de Transportes (DNIT) estabelece os critérios de terminologia, levantamento e avaliação de pavimentos flexíveis. O CORTEX AI foi calibrado para traduzir as saídas dos modelos de deep learning diretamente para os parâmetros normativos nacionais.

Norma DNIT 005/2003 - TER: Terminologia de Defeitos

A norma DNIT 005/2003 - TER [1] padroniza a identificação visual de falhas em pavimentos flexíveis e semi-rígidos. O sistema da Areatec classifica e codifica as seguintes ocorrências:

• Trinca Isolada (T): Fissuras individuais divididas em Longitudinais (TL), paralelas ao eixo da via (fadiga ou falhas de junta), e Transversais (TT), perpendiculares ao eixo (retração térmica ou propagação de trincas subjacentes).
• Trinca Interligada (FC): Fissuras que se cruzam, divididas em Classe 2 (FC-2) ("couro de jacaré" sem erosão nas bordas, indicando fadiga do revestimento) e Classe 3 (FC-3) (com erosão nas bordas ou desagregação de blocos, indicando falha estrutural).
• Afundamento (A): Deformações permanentes, divididas em Afundamento por Trilha de Roda (ATR), ao longo da trajetória dos pneus por tráfego pesado, e Afundamento Localizado (AL), por recalques do subleito.
• Ondulação ou Corrugação (O): Deformações plásticas transversais com cristas e vales, comuns em zonas de frenagem ou aceleração intensa (paradas de ônibus).
• Exsudação (EX): Migração do ligante asfáltico para a superfície, gerando película escorregadia que reduz a aderência.
• Desgaste (D) ou Desagregação: Perda progressiva do agregado da superfície do pavimento, gerando textura áspera e desprendimento de placas.
• Panela ou Buraco (P): Cavidades que se formam no revestimento penetrando nas camadas de base, por ação de tráfego pesado e água.
• Remendo (R): Correções de defeitos anteriores, divididas em Superficial (RS) (substituição do revestimento) e Profundo (RP) (reconstrução de base e sub-base).

Norma DNIT 006/2003 - PRO e DNIT 008/2003 - PRO: Levantamentos Visuais

O DNIT define dois métodos principais de avaliação de campo. A norma DNIT 008/2003 - PRO [2] trata do Levantamento Visual Contínuo (LVC), uma inspeção expedita realizada por um anotador a bordo de um veículo em baixa velocidade. Esse método, embora rápido, é altamente subjetivo, inconsistente entre operadores e perigoso, pois expõe a equipe ao tráfego urbano.

A norma DNIT 006/2003 - PRO [3] estabelece o Levantamento Visual Detalhado (LVD), realizado a pé em segmentos amostrais de 20 metros a cada 200 metros (amostragem sistemática de 10%). O LVD é extremamente lento e caro, inviabilizando sua aplicação em toda a malha urbana de forma frequente.

O CORTEX AI da Areatec resolve esse gargalo técnico ao realizar um levantamento com a cobertura total (100% da via) típica do LVC, mas com a precisão geométrica e objetividade superiores ao LVD, operando à velocidade normal do tráfego urbano (até 60 km/h). O erro humano e a subjetividade do avaliador são eliminados.

3. Padronização Internacional: ASTM D6433, PASER e SHRP-LTPP

Para municípios que utilizam plataformas de gestão de pavimentos de padrão internacional ou buscam financiamentos de órgãos multilaterais como o Banco Mundial ou o BID, o CORTEX AI realiza a classificação de patologias segundo as normas norte-americanas.

ASTM D6433: O Pavement Condition Index (PCI)

A norma ASTM D6433 [4] rege o cálculo do Pavement Condition Index (PCI), índice numérico de 0 a 100 que qualifica o estado de pavimentos e estacionamentos. O cálculo exige o levantamento de 19 tipos de defeitos asfálticos em três níveis de severidade (Baixa, Média e Alta).

Escala PASER (Pavement Surface Evaluation and Rating)

Desenvolvida pela Universidade de Wisconsin-Madison [5], a escala PASER simplifica a gestão viária ao classificar o pavimento em uma nota de 1 a 10. O CORTEX AI converte os dados de severidade e densidade de trincas para gerar o índice PASER de cada segmento de quadra de forma instantânea:

• Notas 9 e 10 (Excelente): Pavimento novo ou recém-recapeado. Exige apenas manutenção de rotina.
• Notas 7 e 8 (Bom): Primeiros sinais de desgaste ou trincas capilares. Indicado para selagem de trincas (crack sealing).
• Notas 5 e 6 (Regular): Trincas moderadas e desagregação inicial. Exige tratamentos preventivos como microrrevestimento asfáltico a frio.
• Notas 3 e 4 (Ruim): Trincas severas, panelas isoladas e afundamentos. Exige fresagem e recapeamento (overlay) ou remendos profundos.
• Notas 1 e 2 (Péssimo): Falha estrutural completa. Exige reconstrução total da estrutura do pavimento.

SHRP-LTPP (Strategic Highway Research Program)

O manual de identificação de defeitos do LTPP (Long-Term Pavement Performance) [6] serve como dicionário visual calibrador de severidades. O CORTEX AI usa as definições do LTPP para classificar trincas longitudinais: severidade baixa se a largura for menor que 6 mm; média se estiver entre 6 e 19 mm; e alta se for maior que 19 mm.

4. Correlação e Equivalência de Patologias: DNIT vs. ASTM

Para garantir a interoperabilidade de dados, o CORTEX AI implementa uma matriz de equivalência de engenharia entre os padrões do DNIT e da ASTM, correlacionando patologias e métricas de visão computacional:

5. Integração com Sistemas de Gerência de Pavimentos (SGP)

Coletar dados visuais com inteligência artificial é apenas metade do caminho. O real valor para a engenharia de obras e para o gestor público surge quando esses dados alimentam de forma automatizada as ferramentas de tomada de decisão e planejamento orçamentário.

Alimentação de Softwares de Engenharia: HDM-4 e MicroPAVER

O CORTEX AI integra-se diretamente a softwares como o HDM-4 [7] (padrão do Banco Mundial para análise de investimentos e deterioração temporal de pavimentos) e o MicroPAVER (desenvolvido pelo USACE para gestão urbana baseada no PCI). Através de APIs, o sistema exporta os dados estruturados (JSON, .xml ou .csv) contendo a matriz completa de defeitos por segmento, automatizando o fluxo de tomada de decisão.

Cálculo de Índices de Qualidade: IGG, PCI e IRI

Com os dados de visão computacional inseridos, o SGP calcula de forma instantânea os três principais índices de qualidade do pavimento:

• Índice de Gravidade Global (IGG): Média ponderada das frequências de defeitos por trecho (norma DNIT 006/2003-PRO), classificando as vias de Ótimo (0-20) a Péssimo (acima de 160).
• Pavement Condition Index (PCI): Baseado na densidade e severidade de 19 defeitos da ASTM D6433, variando de 100 (perfeito) a 0 (destruído).
• International Roughness Index (IRI): Mede a irregularidade longitudinal (m/km) [8]. O CORTEX AI estima o IRI correlacionando defeitos superficiais com leituras de aceleração vertical da IMU.

Estimativa Inercial do IRI

A estimativa indireta do IRI a partir de sensores inerciais embarcados baseia-se no modelo matemático do "Quarto de Carro" (Golden Car), definido pela norma ASTM E1170. O CORTEX AI processa as acelerações verticais medidas pela IMU em tempo real, aplicando um filtro passa-alta Butterworth de segunda ordem para eliminar derivas de baixa frequência. A integração temporal dupla fornece o deslocamento vertical relativo da massa suspensa. Ao correlacionar esses deslocamentos com a velocidade do veículo (via barramento CAN-bus), o algoritmo calcula a taxa de variação acumulada por quilômetro, entregando o IRI estimado em m/km com coeficiente de determinação ($R^2$) superior a 0,88 em relação a perfilômetros laser de classe 1.

Orçamentação Automática de Obras e Cálculo de Insumos

A transformação de dados visuais em planilhas de custos de engenharia ocorre de forma automatizada no CORTEX AI. Ao integrar os dados geométricos das patologias viárias com tabelas de composições de preços unitários locais (como SINAPI ou SICRO/DNIT), o sistema calcula os volumes de insumos necessários para a recuperação da via.

Para serviços de tapa-buraco, o volume de Concreto Betuminoso Usinado a Quente (CBUQ) é calculado com base na área segmentada ($A$) e na profundidade média estimada pela severidade ($p$), aplicando o fator de empolamento do material ($f_{emp} pprox 1,25$) e a densidade aparente ($ ho_{asf} pprox 2,4 ext{ t/m}^3$):

$$V_{CBUQ} = \sum (A_i imes p_i) imes f_{emp}$$

Para tratamentos superficiais (como microrrevestimento asfáltico), o sistema projeta a área total do segmento multiplicando o comprimento do trecho degradado pela largura padrão da faixa de rolamento ($3,5 ext{ m}$), estimando o consumo de emulsão asfáltica modificada por polímero a uma taxa média de $1,2 ext{ kg/m}^2$. O sistema gera relatórios completos com códigos SINAPI e orçamentos estimados, acelerando o planejamento de licitações.

6. Severidade dos Defeitos e Estratégia de Manutenção

A engenharia de pavimentos baseia-se no princípio de que o custo de intervenção cresce exponencialmente à medida que o pavimento se deteriora. Uma estratégia eficiente prioriza ações preventivas antes que a estrutura de base seja comprometida.

Níveis de Severidade (Baixa, Média, Alta)

O CORTEX AI classifica cada patologia em três níveis de severidade com base em parâmetros geométricos rígidos extraídos pela visão computacional:

• Severidade Baixa: Trincas finas (< 6 mm) sem perda de material ou erosão. Afundamentos < 10 mm. O revestimento começa a sofrer fadiga ou oxidação, mas a estrutura de suporte continua íntegra.
• Severidade Média: Trincas moderadas (6 a 19 mm) com desagregação inicial de bordas. Afundamentos entre 10 e 25 mm. Couro de jacaré sem desprendimento de blocos. Indica comprometimento do revestimento, permitindo infiltração.
• Severidade Alta: Trincas largas (> 19 mm) com forte erosão. Couro de jacaré com blocos soltos. Afundamentos > 25 mm e panelas profundas. Indica colapso estrutural local ou generalizado de base ou subleito.

Matriz de Decisão: Preventiva vs. Corretiva vs. Reconstrutiva

A classificação de severidade e densidade alimenta uma matriz de decisão técnica que define o tipo de intervenção ideal para cada trecho viário, buscando maximizar o retorno do investimento público:

• Manutenção Preventiva: Aplicada em pavimentos com PCI elevado (70 a 100) e defeitos de severidade baixa. As ações incluem a selagem de trincas isoladas, aplicação de rejuvenescimento asfáltico ou microrrevestimento asfáltico a frio. O custo dessa intervenção é extremamente baixo (R$ 15 a R$ 30 por metro quadrado).
• Manutenção Corretiva (Reabilitação): Aplicada em pavimentos com PCI intermediário (40 a 70) e defeitos de severidade média. Envolve a fresagem (remoção mecânica) da camada asfáltica degradada, execução de remendos profundos nas áreas localizadas de falha de base, e aplicação de uma nova camada de rolamento em CBUQ. O custo é moderado (R$ 80 a R$ 150 por metro quadrado).
• Manutenção Reconstrutiva (Reconstrução): Aplicada em pavimentos com PCI baixo (0 a 40) e defeitos generalizados de severidade alta. Quando a base e a sub-base perdem a capacidade de suporte devido à infiltração prolongada de água, a única solução técnica viável é a reconstrução completa. O custo é altíssimo (R$ 300 a R$ 600 por metro quadrado).

Agir preventivamente quando o pavimento está na transição de excelente para bom evita que a via atinja o estágio de reconstrução, onde o custo de reparo é até vinte vezes superior por metro quadrado.

7. CORTEX AI da Areatec: Operação em Tempo Real e Custo Marginal Zero

A grande barreira para a adoção de Sistemas de Gerência de Pavimentos em municípios de médio e grande porte sempre foi o custo recorrente de aquisição de dados. Contratar vistorias manuais ou veículos de perfilometria a laser custa centenas de milhares de reais por campanha, limitando as leituras a intervalos de dois ou três anos.

O Paradigma do Custo Marginal Zero

A Areatec quebra essa barreira através do conceito de custo marginal zero. Como líder brasileira em tecnologia para fiscalização de trânsito e estacionamento rotativo, a empresa já opera frotas de veículos equipados com sistemas OCR de leitura de placas em dezenas de municípios. Esses veículos circulam continuamente pelas vias urbanas, cobrindo toda a malha central e corredores de tráfego várias vezes ao dia.

Ao embarcar o módulo de detecção de defeitos viários CORTEX AI nesses mesmos veículos, a coleta de dados de engenharia viária passa a ocorrer de forma simultânea e transparente à operação de fiscalização. Não há necessidade de colocar carros adicionais na rua, contratar novos motoristas ou consumir mais combustível. O custo de aquisição do dado de pavimento torna-se virtualmente zero.

Processamento de Dados Híbrido: Edge Computing e Cloud

O sistema opera em modelo híbrido otimizado:

1. Processamento na Borda (Edge Computing): Computadores industriais embarcados com GPUs de alto desempenho (NVIDIA Jetson) processam o fluxo de vídeo 4K em tempo real na borda, rodando localmente os modelos YOLO e U-Net e evitando a transmissão de vídeo bruto.
2. Extração de Metadados e Protocolo DATARACE: Apenas metadados compactos (tipo, severidade, dimensões, coordenadas GPS e recorte da imagem) são enviados para a nuvem via protocolo proprietário DATARACE, que gerencia dinamicamente conexões TCP/UDP para evitar perdas em zonas de sombra celular.

8. Benefícios Estratégicos para o Gestor Público e Enquadramento Legal

A implementação da detecção de defeitos viários por visão computacional entrega aos secretários de obras, de trânsito e aos prefeitos uma ferramenta de governança sem precedentes no cenário nacional.

Obrigações Legais, Nova Lei de Licitações e Gêmeo Digital

A gestão ativa de pavimentos com o CORTEX AI atende diretamente aos princípios de eficiência e economicidade exigidos pela Constituição Federal de 1988 e serve como um escudo jurídico sob a égide da Lei nº 14.133/2021 (Nova Lei de Licitações). A nova legislação impõe rigor no planejamento de contratações públicas, exigindo estudos técnicos preliminares (ETP) e matrizes de risco detalhadas. O uso de dados objetivos gerados por visão computacional elimina estimativas visuais imprecisas que geram aditivos contratuais e apontamentos de irregularidades por Tribunais de Contas (TCE e TCU).

Em vez de relatórios estáticos em PDF, o gestor conta com um Gêmeo Digital asfáltico atualizado continuamente. Se uma concessionária realizar um corte na via e executar um remendo de má qualidade, o sistema identifica a falha na primeira passagem, permitindo a notificação imediata para correção dentro da garantia legal.

Priorização por ROI e Auditoria de Obras

Com o cálculo automatizado do IGG e PCI, a Secretaria de Obras prioriza intervenções com base em dados de engenharia reais, rodando simulações financeiras de retorno sobre o investimento (ROI). Cada defeito registrado é acompanhado de imagem georreferenciada e autenticada com carimbo de tempo (timestamp), permitindo auditar a execução de serviços terceirizados:

• Auditoria de Quantitativos: Validação se a área de recapeamento faturada pela empreiteira corresponde exatamente à área degradada identificada previamente.
• Auditoria de Eficácia: Monitoramento da durabilidade do asfalto aplicado. Se um remendo apresentar falhas precoces em menos de um ano, o sistema alerta a fiscalização para exigir o refazimento sem custos para o município.

A detecção de defeitos viários com inteligência artificial eleva a gestão urbana a um novo patamar de eficiência técnica e responsabilidade fiscal, provando que a tecnologia de visão computacional, quando aplicada ao mundo real, é o caminho mais curto para cidades mais seguras, inteligentes e com infraestrutura de alta qualidade.

Referências

1. DEPARTAMENTO NACIONAL DE INFRAESTRUTURA DE TRANSPORTES. DNIT 005/2003 - TER: Defeitos nos pavimentos flexíveis e semi-rigidos - Terminologia. Rio de Janeiro: IPR, 2003. Disponível em: https://www.gov.br/dnit/pt-br/assuntos/planejamento-e-pesquisa/ipr/coletanea-de-normas/coletanea-de-normas/terminologia-ter/dnit_005_2003_ter-1.pdf.
2. DEPARTAMENTO NACIONAL DE INFRAESTRUTURA DE TRANSPORTES. DNIT 008/2003 - PRO: Levantamento visual contínuo para avaliação da superfície de pavimentos flexíveis e semi-rigidos - Procedimento. Rio de Janeiro: IPR, 2003. Disponível em: https://www.gov.br/dnit/pt-br/assuntos/planejamento-e-pesquisa/ipr/coletanea-de-normas/coletanea-de-normas/procedimento-pro/DNIT_008_2003_PRO.
3. DEPARTAMENTO NACIONAL DE INFRAESTRUTURA DE TRANSPORTES. DNIT 006/2003 - PRO: Avaliação objetiva da superfície de pavimentos flexíveis e semi-rigidos - Procedimento. Rio de Janeiro: IPR, 2003. Disponível em: https://www.gov.br/dnit/pt-br/assuntos/planejamento-e-pesquisa/ipr/coletanea-de-normas/coletanea-de-normas/procedimento-pro/dnit006_2003_pro.pdf.
4. AMERICAN SOCIETY FOR TESTING AND MATERIALS. ASTM D6433-20: Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys. West Conshohocken: ASTM International, 2020. Disponível em: https://www.astm.org/d6433-20.html.
5. UNIVERSITY OF WISCONSIN-MADISON. Pavement Surface Evaluation and Rating (PASER) Manuals. Madison: Transportation Information Center, 2013. Disponível em: https://ltap.engr.wisc.edu/documents/paser-manual-asphalt-pubpas01/.
6. FEDERAL HIGHWAY ADMINISTRATION. Distress Identification Manual for the Long-Term Pavement Performance Program. 5. ed. Washington, D.C.: FHWA, 2013. Disponível em: https://www.fhwa.dot.gov/publications/research/infrastructure/pavements/ltpp/13092/index.cfm.
7. WORLD ROAD ASSOCIATION (PIARC). Highway Development and Management (HDM-4) Version 2. Paris: PIARC, 2006. Disponível em: http://www.hdmglobal.com/hdm-4-version-2/about-hdm-4/pavement-management-systems-and-hdm-4/.
8. SAYERS, M. W.; GILLESPIE, T. D.; QUEIROZ, C. A. V. The International Road Roughness Experiment: Establishing Correlation and a Calibration Standard for Measurements. Washington, D.C.: World Bank Technical Paper No. 45, 1986. Disponível em: https://en.wikipedia.org/wiki/International_roughness_index.