(47-3) 15 * << * >> * Русский * English * Содержание * Все выпуски

Методика обнаружения дефектов дорог с использованием изображений, полученных с беспилотных летательных аппаратов
М.Ю. Катаев 1, Е.Ю. Карташов 1, В.Д. Авдеенко 1

1 Томский государственный университет систем управления и радиоэлектроники,
634050, Россия, г. Томск, пр. Ленина, д. 40

 PDF, 2930 kB

DOI: 10.18287/2412-6179-CO-1209

Страницы: 464-473.

Аннотация:
Дорожные дефекты являются одним из наиболее важных факторов при дорожно-транспортном происшествии, определяющим безопасность водителя, состояние автомобиля и скорость передвижения, поэтому они должны быть исправлены как можно скорее. К дефектам относятся трещины, колеи и выбоины на дорожном покрытии, и если их не исправлять в короткие сроки, то их размер будет расти каждый день. Есть различные методы, которые используются для обнаружения дорожных дефектов, одним из которых является метод компьютерного зрения. Типично цифровые камеры устанавливаются на автомобили, и затем выполняется обработка получаемого набора изображений от данного отрезка дороги. В данной статье предлагается методика получения изображения с помощью беспилотных летательных аппаратов, что позволяет собрать необходимые данные о состоянии дорожного полотна на больших по длине отрезках дороги. Предлагается методика выделения дефектов в виде трещин и оценки параметров, которые определены в нормативных документах. В результате проведенных исследований были получены и обработаны реальные изображения с помощью предложенной авторами методики, которая показала высокую скорость и точность, что указывает на возможность использования её на практике.

Ключевые слова:
дефекты дороги, изображение, компьютерное зрение, беспилотный летательный аппарат.

Цитирование:
Катаев, М.Ю. Методика обнаружения дефектов дорог с использованием изображений, полученных с беспилотных летательных аппаратов / М.Ю. Катаев, Е.Ю. Карташов, В.Д. Авдеенко // Компьютерная оптика. – 2023. – Т. 47, № 3. – С. 464-473. – DOI: 10.18287/2412-6179-CO-1209.

Citation:
Kataev MY, Kartashov EY, Avdeenko VD. Method for detecting road defects using images obtained from unmanned aerial vehicles. Computer Optics 2023; 47(3): 464-473. DOI: 10.18287/2412-6179-CO-1209.

References:
  1. Technical rules for the repair and maintenance of roads. VSN 24-88. Moscow: "FSUE TsPP" Publisher; 2006.
  2. Rules for the development of road maintenance projects. ODM 218.3.110-2019. Moscow: "Rosavtodor" Publisher; 2019.
  3. Ranyal E, Sadhu A, Jain K. Road condition monitoring using smart sensing and artificial intelligence: A review. Sensors 2022; 22(8): 3044.
  4. Di Graziano A, Marchetta V, Cafiso S. Structural health monitoring of asphalt pavements using smart sensor networks: A comprehensive review. Journal of Traffic and Transportation Engineering 2020; 7: 639-651.
  5. Premachandra C, Waruna H, Premachandra H, Parape CD. Image based automatic road surface crack detection for achieving smooth driving on deformed roads. IEEE Int Conf on Systems, Man, and Cybernetics 2013: 4018-4023.
  6. Romero-Chambi E, Villarroel-Quezada S, Atencio E, Rivera MF-L. Analysis of optimal flight parameters of unmanned aerial vehicles (UAVs) for detecting potholes in pavements. Appl Sci 2020; 10(12): 4157.
  7. Pan Y, Zhang X, Cervone G, Yang L. Detection of asphalt pavement potholes and cracks based on the unmanned aerial vehicle multispectral imagery. IEEE J Sel Top Appl Earth Obs Remote Sens 2018; 11(10): 3701-3712.
  8. Pascucci S, Bassani C, Palombo A, Poscolieri M, Cavalli R. Road asphalt pavements analyzed by airborne thermal remote sensing: preliminary results of the venice highway. Sensors 2008; 8(2): 1278-1296.
  9. Geoportal GIS GC "Avtodor" [In Russian]. 2023. Source: <https://gis.russianhighways.ru>.
  10. "Titul-2005". Road industry software [In Russian]. 2023. Source: <http://titul2005.ru>.
  11. IndorSoft [In Russian]. 2023. Source: <https://www.indorsoft.ru>.
  12. Geoinformation systems of highways. The procedure for collecting, storing and updating data. ODM 218.9.008-2019. Moscow: "Rosavtodor" Publisher; 2019.
  13. Avtodor [In Russian]. 2023. Source: <https://avtodor-sz.ru>.
  14. Federal Road Agency Rosavtodor [In Russian]. 2023. Source: <https://rosavtodor.gov.ru>.
  15. GOST 32947-2014. Automobile roads of general use. Supports of stationary electric lighting. Technical requirements [In Russian]. Moscow: "Standartinform" Publisher; 2019.
  16. GOST R 52399-2005. Geometric elements of roads [In Russian]. Moscow: "Standartinform" Publisher; 2006.
  17. Agisoft. Discover intelligent photogrammetry with Metashape. 2023. Source: <https://www.agisoft.com>.
  18. OpenDroneMap. 2023. Source: <https://www.opendronemap.org>.
  19. Kataev MYu, Kartashov EYu, Kuznetsov AA. Clustering technique for agricultural fields based on RGB images of unmanned aerial vehicles. Reports of TUSUR 2021; 24(3): 50-56.
  20. Gonzalez RC, Woods RE. Digital image processing. 3rd ed. Prentice Hall; 2008.
  21. Pratt WK. Digital image processing [In Russian]. Part 1. Moscow: "Mir" Publisher; 1982.
  22. Pratt WK. Digital image processing [In Russian]. Part 2. Moscow: "Mir" Publisher; 1982.
  23. Krasilnikov NN. Digital processing of 2D and 3D images [In Russian]. Saint-Petersburg: "BHV-Petersburg" Publisher; 2011.
  24. Katulev AN, Khramichev AA, Yagolnikov SV. Digital processing of 2D low-contrast images generated by an optoelectronic device in complex background conditions: detection, recognition, tracking of dynamic objects [In Russian]. Moscow: "Radiotehnika" Publisher; 2018.
  25. Furman YaA. Introduction to contour analysis. Applications to image and signal processing [In Russian]. Moscow: "Fizmatlit" Publisher; 2003.
  26. Sadykov SS, Stulov NN. Methods and algorithms for identifying features of objects in technical vision systems [In Russian]. Moscow: "Hotline-Telecom" Publisher; 2005.
  27. Oliveira H, Correia PL. Road surface crack detection: Im-proved segmentation with pixel-based refinement. 25th European Signal Processing Conf (EUSIPCO) 2017: 2026-2030.
  28. Cubero-Fernandez A, Rodriguez-Lozano FJ, Villatoro R. Efficient pavement crack detection and classification. J Image Video Proc 2017; 2017: 39.
  29. Gavil<n M, Balcones D, Marcos O, Llorca DF, Sotelo MA, Parra I, Ocana M, Aliseda P, Yarza P, Amirola A. Adaptive road crack detection system by pavement classification. Sensors 2011; 11: 9628-9657.
  30. Wang W, Su C. Convolutional neural network-based pavement crack segmentation using pyramid attention network. IEEE Access 2020; 8: 206548-206558.
  31. Choi SS, Cha SH, Tappert CC. A survey of binary similarity and distance measures. Int J Syst Cybern Inform 2010; 8(1): 43-48.
  32. Protopapadakis E, Voulodimos A, Doulamis A, Doulamis N, Stathaki T. Automatic crack detection for tunnel inspection using deep learning and heuristic image post-processing. Appl Intell 2019; 49: 2793-2806.
  33. Dais D, Bal IE, Smyrou E, Sarhosis V. Automatic crack classification and segmentation on masonry surfaces using convolutional neural networks and transfer learning. Autom Constr 2021; 125: 103606.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20