Diagnostyka nawierzchni drogowej przy zastosowaniu metod sieci neuronowych – studium przypadku

• Autorzy: Jóźwiak Zuzanna , Pożarycki Andrzej , Górnaś Przemysław

Warianty tytułu

EN

Road pavement diagnostics using neural network methods – a case study

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono zastosowanie metody głębokiego uczenia maszynowego, wykorzystanej do jednego z zagadnień diagnostyki nawierzchni drogowej. Opisano techniki głębokiego uczenia maszynowego do rozpoznawania wybranej grupy uszkodzeń nawierzchni zarejestrowanych na obrazach cyfrowych. W ramach eksperymentu numerycznego porównano między sobą dwa modele powszechnie znane jako VGG16 i VGG19. Architektura sieci reprezentowana jest poprzez schemat połączeń charakterystyczny dla konwolucyjnych sieci neuronowych, które z założenia przeznaczone są na potrzeby identyfikacji obiektów na obrazach cyfrowych. Mimo wszystko źródłowa baza danych, znana pod angielską nazwą ImageNet, nie zawiera obrazów cyfrowych nawierzchni jezdni. W celu poszerzenia wiedzy w tym zakresie autorzy utworzyli bazę ortogonalnych obrazów cyfrowych nawierzchni jezdni i opisali jeden z możliwych scenariuszy wykorzystania tych narzędzi do zautomatyzowanej identyfikacji uproszczonej wersji wskaźnika stanu powierzchni.

EN

This paper presents the application of deep machine learning method used for one of the problems of road pavement diagnostics. Deep machine learning techniques for the recognition of a selected group of pavement surface defects observed in digital images are described. In a numerical experiment, two models commonly known as VGG16 and VGG19 were compared to each other. The network architecture is represented by a connection scheme characteristic of convolutional neural networks, which by design are intended for the purpose of identifying objects in digital images. Nevertheless, the source database known as ImageNet does not contain digital images of pavement surfaces. In order to extend the knowledge in this area, the authors created a database of orthogonal digital images of pavement surfaces and described one of the possible scenarios of using these tools for automated identification of a simplified version of the surface condition index.

Słowa kluczowe

PL

sieci neuronowe; głębokie uczenie maszynowe; diagnostyka nawierzchni; obrazy cyfrowe

EN

neural networks; deep machine learning; pavement diagnostics; digital images

• Wydawca: Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
• Czasopismo: Drogownictwo
• Rocznik: 2022
• Tom: nr 2-3
• Strony: 65--72
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Jóźwiak Zuzanna

autor

Pożarycki Andrzej

• Politechnika Poznańska

• https://orcid.org/0000-0002-1321-066X

autor

Górnaś Przemysław

• Politechnika Poznańska

• https://orcid.org/0000-0002-0632-4191

Bibliografia

• [1] W. Eckstein i C. Steger, The Halcon Vision System: An Example for Flexible Software Architecture, Technical Committe of Image Processing Applications, 2021, s. 1-6.
• [2] K. Ciomcia, Czym jest deep learning i sieci neuronowe, https://bulldogjob.pl/articles/1136-czym-jest-deep-learning-i-siecineuronowe,2020.
• [3] Torch Contributors, PYTORCH DOCUMENTATION, TORCHVISION. TRANSFORMS, URL: https://pytorch.org/docs/stable/ torchvision/transforms.html, (dostęp: czerwiec 2021).
• [4] Zuzanna Jóźwiak-Ostach, Diagnostyka nawierzchni drogowej przy zastosowaniu metod głębokiego uczenia maszynowego, praca mgr pod kierunkiem A. Pożaryckiego, Poznań 2021
• [5] A. Dey, Machine Learning Algorithms: A Review, (IJCSIT) International Journal of Computer Science and Information, 7(3), 2016, s. 1174-1179.
• [6] M. Radzikowski, „Drogownictwo” 5/2020, Stan techniczny nawierzchni dróg krajowych na koniec 2019 roku.
• [7] GDDKiA., Załącznik B, Instrukcja do części analitycznej — zasady oceny, klasyfikacje, Warszawa, Maj 2019.
• [8] D. Ho i in., Population Based Augmentation: Efficient Learning of Augmentation Policy Schedules, (ICML) International Conference on Machine Learning, 2019.
• [9] A. Kayid, Y. Khaled i M. Elmahdy, Performance ofCPUs/GPUsfor Deep Learning workloads, The German University in Cairo 10.13140/RG.2.2.22603.54563, 2018, s. 1-2.
• [10] Konkwistyka i Komunikacja, https://kognitywistyka.uwb.edu.pl/component/k2/item/406-sieci-neuronowe, 2019.
• [11] G. Kumar i P. Bhatia, A Detailed Review of Feature Extraction in Image Processing Systems, Fourth international conference on advanced computing & communication technologies, 2014.
• [12] B. Shmueli, Matthews Correlation Coefficient is The Best Classification Metric You’ve Never Heard Of,URL: https://towardsdatascience. com/the-best-classification-metric-youve-never-heard-ofthe-matthews-correlation-coefficient-3bf50a2f3e9a, (dostęp: maj 2021).
• [13] K. Simonyan i A. Zisserman, Very deep convolutional networks for large-scale image recognition, arXiv preprint arXiv:1409.1556, 2015.
• [14] M. Stewart, Simple Introduction to Convolutional Neural Networks, URL: https://towardsdatascience.com/simple-introduction-to-convolutional-neural-networks-cdf8d3077bac, (dostęp: kwiecien 2021).
• [15] S. Sumit, A Comprehensive Guide to Convolutional Neural Networks - the ELI5 way,URL: https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-theeli5-way-3bd2b1164a53, (dostęp: maj 2020).
• [16] J. Walsh i in., Deep Learning vs. Traditional Computer Vision, Computer Vision Conference at Las Vegas, 2019, s. 601-605.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).