Automatyzacja inwentaryzacji uszkodzeń powierzchni jezdni z wykorzystaniem sztucznych sieci neuronowych

• Autorzy: Pożarycki A. , Garbowski T.

Warianty tytułu

EN

Using artificial neural networks to inventory of roadway damage with a pavement

• Języki publikacji: PL

Abstrakty

PL

Fundamentalną umiejętność tworzenia filarów wiedzy inżynierskiej stanowi zdolność uczenia się i formułowania wniosków w oparciu o zasoby nauki gromadzonej przez wiele lat. Łączenie tego czynnika z nowatorskim podejściem kreowanym przez rozwój technologii skutkuje pewnym i stabilnym rozwiązaniem. W artykule przedstawiono integrację doświadczeń z zakresu systemu oceny stanu nawierzchni (SOSN) w zakresie wizualnej inwentaryzacji z teorią sztucznych sieci neuronowych (SSN). Łącząc interpretację wyników oceny stanu technicznego nawierzchni jezdni w oparciu o wizualną inwentaryzację z możliwościami przekształceń obrazu cyfrowego buduje się hybrydowy system, który w sposób automatyczny i obiektywny, dane z fotorejestracji przekształca do jednolitego wskaźnika stanu spękań i stanu powierzchni, klasyfikując stan nawierzchni jezdni według prostych i jednoznacznych do interpretacji kryteriów.

EN

The fundamental ability to create pillars of engineering knowledge is to learn and draw conclusions based on scientific resources collected over many years. Combining this factor with a novel approach that is continuously created by the development of the technology, someone gets a reliable and stable solution. This paper presents the concept of integration of experience in the field of pavement condition visual inventory (SOSN) with the theory of artificial neural networks (ANNs). By taking the interpretation of the road surface technical condition results based on a visual inventory and the digital image conversion capabilities it is possible to get a hybrid solution, which is automated distress data acquisition system producing the uniform cracks and surface condition index, making the criteria of pavement technical state assessment easy and clear to interpret.

Słowa kluczowe

PL

uszkodzenia nawierzchni; wizualna inwentaryzacja; fotorejestracja uszkodzeń; wzorce uszkodzeń nawierzchni; zbiory treningowe; sztuczne sieci neuronowe

EN

pavement damage; visual assessment; roadway damage imaging system; pavement damage patterns; training sets; artificial neural network

• Wydawca: Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
• Czasopismo: Drogownictwo
• Rocznik: 2013
• Tom: nr 12
• Strony: 374--379
• Opis fizyczny: Bibliogr. 25 poz.

Twórcy

autor

Pożarycki A.

• Politechnika Poznańska

autor

Garbowski T.

• Politechnika Poznańska

Bibliografia

• [1] C.M. Bishop, Neural Networks for pattern recognition, Oxford University Press, Oxford 1995.
• [2] R. Birken, G. Schirner, M. Wang, VOTERS: Design of a Mobile Multi-Modal Multi-Sensor System, SensorKDD’12 Proceedings of the Sixth International Workshop on Knowledge Discovery from Sensor Data, 2012.
• [3] S.A. Chien, H.B. Mortensen, Automating Image Processing for Scientific Data Analysis of a Large Image Database, Ieee Transactions On Pattern Analysis And Machine Intelligence, Vol. 18, No. 8, 1996.
• [4] G.D. Cline, M.Y. Shahin, J.A. Burkhalter, Automated Data Collection For Pavement Condition Index Survey, http://www.ltrc.lsu.edu/TRB_82/TRB2003-000175.pdf
• [5] H. Demuth, M. Beale, Neural Network Toolbox For Use with Matlab, User`s Guide, Version 3
• [6] R.O. Duda, P.E. Hart, D.G. Stork, Pattern classification, 2nd ed, John Wiley & Sons, New York 2001.
• [7] A.E. Gendy, A. Shalaby, M. Saleh, W. Flintsch, Stereo-vision applications to reconstruct the 3D texture of pavement surface, International Journal of Pavement Engineering, Vol. 12, No. 3, 2011.
• [8] T. Garbowski, G. Maier, G. Novati, On calibration of orthotropic elastic-plastic constitutive models for paper foils by biaxial tests and inverse analyses, Structural and Multidisciplinary Optimization, Vol.46 (1), pp. 111-128, 2012
• [9] T. Garbowski, G. Maier, G. Novati, Diagnosis of concrete dams by flat-jack tests and inverse analyses based on pro-per orthogonal decomposition, Journal of Mechanics of Materials and Structures, Vol. 6 (1-4), pp. 181-202, 2011
• [10] T. Garbowski, Stochastic model reduction applied to inverse analysis. Proceedings of the VI International Conference on Adaptive Modeling and Simulation ADMOS 2013, Eds. J.P. Moitinho de Almeida, P. Díez, C. Tiago, N. Parés, CIMNE Barcelona, pp. 291-300, 2013
• [11] A. Knitter-Piatkowska, T. Garbowski, A. Garstecki, Damage Detection through wavelet transform and inverse analysis, 8th European Solid Mechanics Conference ESMC2012, Graz, Austria, July 9-13, 2012
• [12] C. Koch, I. Brilakis, Pothole detection in asphalt pavement images, Advanced Engineering Informatics , No. 25, 2011.
• [13] Lehman + Partner, Obrazy powierzchni jezdni dla wybranych odcinków ulic w Poznaniu, Poznań 2009.
• [14] F.M. Nejad, H. Zakeri, A comparison of multi-resolution methods for detection and isolation of pavement distress, Expert Systems with Applications, No. 38, 2011.
• [15] F.M. Nejad, H. Zakeri, An expert system based on wavelet transform and radon neural network for pavement distress classification, Expert Systems with Applications, No. 38, 2011.
• [16] A. Pożarycki, Identyfikacja liczby i grubości warstw modelu nowej nawierzchni odcinka próbnego metodami sztucznej inteligencji, Drogi i Mosty nr 2, Warszawa
• [17] A. Pożarycki, P. Rydzewski, Cyfrowe przetwarzanie makroskopowych obrazów jezdni drogowych, Drogi i Mosty – Roads And Bridges No. 11, 2012.
• [18] A. Pożarycki, P. Rydzewski, Elementy przekształceń obrazów cyfrowych w bazach danych systemów zarządzania nawierzchniami bitumicznymi, Zeszyty Naukowe Politechniki Rzeszowskiej, Nr 283, 2012.
• [19] A. Pożarycki, P. Rydzewski, Przekształcenia obrazów cyfrowych w drogownictwie, Drogownictwo, Nr 6, 2012.
• [20] M. Staniek, Diagnostyka nawierzchni drogowej z wykorzystaniem pomiarów stereoskopowych, Zeszyty Naukowe Politechniki Rzeszowskiej, Nr 283, 2012.
• [21] System Oceny Stanu Nawierzchni SOSN, Wytyczne stosowania – Załącznik A, Zasady ciągłego obmiaru uszkodzeń i oceny stanu nawierzchni bitumicznych metodą oceny wizualnej w systemie oceny stanu nawierzchni SOSN, GDDP, Warszawa, 2002.
• [22] System Oceny Stanu Nawierzchni SOSN, Wytyczne stosowania – Załącznik E, Katalog typowych uszkodzeń nawierzchni bitumicznych dla potrzeb ciągłego obmiaru uszkodzeń metodą oceny wizualnej w systemie oceny stanu nawierzchni SOSN, GDDP, Warszawa, 2002.
• [23] D.H. Tim, J.M. McQueen, A study of manual vs. automated pavement condition surveys, Highway Research Center, Auburn University, Alabama, April 2004.
• [24] R. Tadeusiewicz, Sieci neuronowe, Wyd. 2, Warszawa, Akademicka Oficyna Wydaw. RM, 1993.
• [25] K.C.P. Wang, O. Smadi, Automated Imaging Technologies for Pavement Distress Surveys, Transportation Research Circular, No. E-C156, 2011.