Разработка алгоритма анализа состояния дорожного полотна с применением искусственного интеллекта

Автомобильные дороги являются стратегически необходимой частью инфраструктуры страны, высокие требования к их состоянию обуславливают регулярный контроль качества дорожного полотна. Большая протяженность автомобильных дорог в России и влияние на них погодно-климатических условий (сезонные колебания температур, осадки) подчеркивают актуальность поиска методов неразрушающего контроля при диагностике дорог, обеспечивающих короткие сроки выполнения диагностических работ и использование минимальных ресурсов.

Рассмотрены существующие решения для обнаружения повреждений дорожного полотна: применение георадара, лазерного метода, метода анализа вибровоздействий неровностей дорожной поверхности, детекция повреждений по данным лидар-устройств и системы мобильного картографирования.

Целью исследования является разработка алгоритма анализа состояния дорожного полотна, позволяющего осуществлять детекцию дефектов дорожного покрытия по снимкам, полученным в процессе диагностики автомобильных дорог аэродромно-дорожной измерительной передвижной лабораторией КП-514-RDT, в комплекте с программным обеспечением IndorRoad и RDT-Line.

Разработка алгоритма для обнаружения дефектов покрытия автодороги осуществлялась с применением методов машинного обучения. Выявленные дефекты имеют точную геопривязку по пикетажу измеряемого участка автодороги. В результате разработки получена обученная модель, позволяющая в автоматическом режиме размечать на снимке дефекты разных классов. Разработанный алгоритм интегрирован в программное обеспечение для управления мониторингом состояния региональных и муниципальных дорог.

1. Учаева А. А. Дорожные условия и безопасность движения // Техника и технология транспорта. – 2020. – № 2 (17). – С. 9. EDN: SNQXFK.

2. Jiaying Chen, Xiaoming Huang, Binshuang Zheng, Runmin Zhao, Xiuyu Liu, Qingqing Cao, Shengze Zhu. Real-time identification system of asphalt pavement texture based on the close-range photogrammetry. Construction and Building Materials, Vol. 226, 2019, pp. 910–919. DOI: 10.1016/j.conbuildmat.2019.07.321.

3. Баканов К. С., Ляхов П. В., Айсанов А. С., Исаев М. М., Никулин Е. Д., Коблов П. С., Сергунова А. С., Селедников Н. В., Наумов С. Б., Князев А. С. Дорожно-транспортная аварийность в Российской Федерации за 2022 год. Информационно-аналитический обзор. [Электронный ресурс]: https://media.mvd.ru/files/embed/4761994. Доступ 22.09.2023.

4. Yuchen Wang, Bin Yu, Xiaoyu Zhang, Jia Liang. Automatic extraction and evaluation of pavement three dimensional surface texture using laser scanning technology. Automation in Construction, 2022, Vol. 141, 104410. DOI: 10.1016/j.autcon.2022.104410.

5. Xu Yang, Jianqi Zhang, Wenbo Liu, Jiayu Jing, Hao Zheng, Wei Xu. Automation in road distress detection, diagnosis and treatment. Journal of Road Engineering, 2024, Vol. 4, Iss.1, pp. 1–26. DOI: 10.1016/j.jreng.2024.01.005.

6. Рада А. О., Акулов А. О., Никитина О. И. Разработка веб-приложения для мониторинга автодорог в системе цифрового управления регионом ресурсного типа // Уголь. – 2023. – № S12. – С. 117–123. DOI: 10.18796/0041-5790-2023-S12-117-123.

7. Третьяков С. А., Попов И. А. Анализ способов определения ровности покрытия автомобильных дорог // Интерэкспо Гео-Сибирь. – 2017. – Т. 1. – № 1. – С. 76–80. EDN: YMXPYV.

8. Дормидонтова Т. В., Домнин О. В. Выявление дефектов, определение толщины дорожной одежды георадиолокационным методом // Традиции и инновации в строительстве и архитектуре: сб. статей 77-й всероссийской научно-техн. конференции / Под редакцией М. В. Шувалова, А. А. Пищулева, В. Ю. Алпатова. – Самара: СГТУ, 2020. – С. 126–131. EDN: PWSSTT.

9. Ma, L., Li, Y., Li, J., Wang, C., Wang, R., Chapman, M.A. Mobile Laser Scanned Point-Clouds for Road Object Detection and Extraction: A Review. Remote Sensing, 2018, Vol. 10, Iss. 10, 1531. DOI: 10.3390/rs10101531

10. Davidovich, M., Kuzmich, T., Vasich, D., Hiv, V., Brunn, A., Bulatovich, V. Methodology of Detection and Administration of Road Defects Based on Mobile Mapping Data. Computer modeling in engineering and science, 2021, Vol. 129, Iss. 1, pp. 207–226. DOI:10.32604/cmes.2021.016071.

11. Милых В. А., Соколова О. С., Степкина Е. Ю. Способ диагностики ровности поверхности дорожного покрытия. Патент на изобретение RU 2519002 C2, 10.06.2014. Патентное ведомство: Россия. Заявка № 2012138844/03 от 10.09.2012. [Электронный ресурс]: https://rusneb.ru/catalog/000224_000128_0002519002_20140610_C2_RU/. Доступ 21.02.2024.

12. Munawar, H. S., Hammad, A. W. A., Haddad, A., Soares, C. A. P., Waller, S. T. Image-Based Crack Detection Methods: A Review. Infrastructures, 2021, Vol. 6, Iss.8, p. 115. DOI: 10.3390/infrastructures6080115.

13. Song, W., Jia, G., Zhu, H., Jia, D., Gao, L. Automated Pavement Crack Damage Detection Using Deep Multiscale Convolutional Features. Journal of Advanced Transportation, 2020, Vol. 2020, Iss. 1. DOI: 10.1155/2020/6412562.

14. Pan, Y., Zhang, X., Cervone, G., Yang, L. Detection of Asphalt Pavement Potholes and Cracks Based on the Unmanned Aerial Vehicle Multispectral Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, Vol. 11, Iss. 10, pp. 3701–3712. DOI: 10.1109/JSTARS.2018.2865528.

15. Iraldi, F., Al Maki, W. F. Damage Classification on Roads Using Machine Learning. 2021 International Conference on Data Science and Its Applications (ICoDSA), Bandung, Indonesia, 2021, pp. 151–156. DOI: 10.1109/ICoDSA53588.2021.9617520.

16. Minh-Tu Cao, Quoc-Viet Tran, Ngoc-Mai Nguyen, Kuan-Tsung Chang. Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources. Advanced Engineering Informatics, 2020, Vol. 46, 101182. DOI: 10.1016/j.aei.2020.101182.

17. Silva Vaz, E., Gasparello, L. F., Gouveia, L. T, Senger, L. J. Detecting damage in roads using convolutional neural networks. Iberoamerican Journal of Applied Computing, 2023, Vol. 11, Iss. 1, pp. 1089–1098. DOI: 10.1109/BigData.2018.8621899.

18. Мокрушин Н. Ю., Сперанский Д. В., Чудинов С. А. Автоматизированное обнаружение дефектов на дорожном полотне с применением сверточных нейронных сетей // Эффективный ответ на современные вызовы с учетом взаимодействия человека и природы, человека и технологий: социально-экономические и экологические проблемы лесного комплекса: материалы XV Международной научно-техн. конференции. – Екатеринбург: УГЛТУ, 2024. – С. 489–494. [Электронный ресурс]: https://elar.usfeu.ru/bitstream/123456789/12844/1/konf_24_087.pdf. Доступ 21.02.2024.

19. Васильев П. В., Сеничев А. В. Применение нейросетевых технологий в задаче контроля поверхностных дефектов // Известия вузов. Северо-Кавказский регион. Серия: Технические науки. – 2020. – № 1 (205). – С. 33–40. DOI: http://dx.doi.org/10.17213/1560-3644-2020-1-33-40.

20. Соболь Б. В., Соловьев А. Н., Васильев П. В., Подколзина Л. А. Модель глубокой сверточной нейронной сети в задаче сегментации трещин на изображениях асфальта // Вестник донского государственного технического университета. – 2019. – Т. 19. – № 1. – С. 63–73. DOI: 10.23947/1992-5980-2019-19-1-63-73.

21. Канаева И. А., Иванова Ю. А., Спицын В. Г. Сегментация дефектов дорожного покрытия на основе формирования синтетических выборок с помощью глубоких генеративно-состязательных сверточных сетей // Компьютерная оптика. – 2021. – Т. 45. – Вып. 6. – С. 907–916. DOI: https://doi.org/10.18287/2412-6179-CO-844.

22. Кравцов С. С., Чантиева М. Э. Автоматическое обнаружение дефектов дорожного полотна при помощи сверточных нейронных сетей // Colloquium-journal. – 2022. – № 3 (126). – С. 42–47. DOI: 10.24412/2520-6990-2022-3126-42-47.

23. Мисюрина И. А., Якимов П. Ю. Обнаружение повреждений дорожного покрытия в видеопотоке автомобильного регистратора // Информационные технологии и нанотехнологии (ИТНТ-2023): сб. тр. по материалам IX Междунар. конф. и молодеж. шк. (г. Самара, 17–23 апр. 2023 г.): в 6 т. / М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН – Фил. Федер. науч.-исслед. центра «Кристаллография и фотоника» РАН. – Самара, Изд-во Самар. ун-та, 2023, Т. 4: Искусственный интеллект / под. ред. А. В. Никонорова. – 2023. – 040382. [Электронный ресурс]: http://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Obnaruzhenie-povrezhdenii-dorozhnogo-pokrytiya-v-videopotoke-avtomobilnogo-videoregistratora-10572. Доступ: 27.05.2024.