АЛГОРИТМИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ ДЕФЕКТОВ ДОРОЖНОГО ПОКРЫТИЯ С ПОМОЩЬЮ МЕТОДА РАЗРЕЗА ГРАФОВ И АЛГОРИТМА СЛУЧАЙНЫХ ЛЕСОВ

Нгуен Тху Хыонг , Нгуен Тхе Лонг

2016 / Номер 10(117) 2016 [ ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ ]

ЦЕЛЬ. Предложен новый подход к решению задачи автоматического обнаружения и классификации дефектов дорожного покрытия, основанный на анализе таких признаков, как форма и текстура. МАТЕРИАЛ. МЕТОДЫ. Разработанный подход реализован в среде Matlab c использованием методов цифровой обработки изображений и их классификации на основе алгоритма случайного леса. Сегментация реализована с помощью комбинации алгоритма разреза графа и марковского случайного поля. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ. Система позволяет точно локализовать местоположение дефекта и определить его тип (выбоина, сеть трещина, глубокая трещина). Эффективность предложенного подхода продемонстрирована на реальных данных. ЗАКЛЮЧЕНИЕ. Представлена программная реализация системы мониторинга автодорог, которая основана на алгоритмах обработки изображений и методов машинного обучения для автоматического обнаружения и классификации дефектов дорожного покрытия.

Ключевые слова:

дефекты дорожного покрытия,распознавание образов,классификация,сегментация,road pavement defects,image detection,classification,segmentation

Библиографический список:

1. CSIRO, RoadCrack Specifications. Available at: http://www.csiro.au/en/Research/MF/Areas/Innovation/Prototyping/Road-Crack-Detection (accessed 18 January 2016).
2. Roadware Group Inc, Wisecrax data sheet. Available at: http://www.roadware.com/related/down-loads/WiseCrax-Brochure (accessed 2004).
3. Sy N.T., Avila M, Begot S., Bardet J.C. Detection of defects in road surface by a vision system. Proc. 14th IEEE Mediterranean Electrotechnical Conference MELECON, 2008, pp. 847-851.
4. Chua K.M., Xu L. Simple procedure for identifying pavement distresses from video images. Journal of transportation engineering, 1994, vol. 120, issue 3, pp. 412-431.
5. Jean D. Detection de fissures de surface de chausses par technique d’imageriedans le visible. Journes des Sciences de l’Ingnieur. 2003, vol. 122, pp. 159-164.
6. Justin Bray, BrijeshVerma, Xue Li, Wade He. A neural network based technique for auto-matic classification of road cracks, Neural Networks, IJCNN'06, International Joint Conference on, IEEE. 2006. pp. 907-912.
7. Sylvie Chambon, Christian Gourraud, Jean Marc Moliard, Philippe Nicolle. Road crack ex-traction with adapted filtering and markov model-based segmentation introduction and validation. International Joint Conference on Computer Vision Theory and Applications, VISAPP. 2010.
8. Aurelien Cord, Sylvie Chambon. Automatic road defect detection by textural pattern recognition based on AdaBoost, Computer-Aided Civil and Infrastructure Engineering. 2012. Vis. 27 (4), pp. 244-259.
9. Ian Fase. Experiments with a new Boosting Algorithm. On-line journal. 2001. Availabe at https://cse-web.ucsd.edu/classes/fa01/cse291/AdaBoost.pdf (accessed 23 October 2001).
10. Barinova O., Shapovalov R., Sudakov S., Velizhev A., Konushin A. Efficient road mapping via interactive image segmentation. Stilla U, Rottensteiner F, Paparoditis N (Eds) CMRT09. IAPRS, part 3/W4. Paris, France, 3-4 September, 2009.
11. Avishek Parajuli, Mehmet Celenk, H. Bryan Riley. Robust lane detection in shadows and low illumination conditions using local Gradient features. Open Journal of Applied Sciences. 2013, vol. 3, pp. 68-74.
12. Jia Lu, Jing Qian, Weimin Han. Discrete gradient method in solid mechanics. International journal for numerical methods in engineering. 2007. DOI: 10.1002/nme.2187.
13. Лемперт А.А., Сидоров Д.Н., Жуков А.В. Об одном подходе к оптимизации ремонта автомобильных дорог в условиях ограниченного финансирования // Обобщенные постановки и решения задач управления: cб. тр. Междунар. симпозиума. М: ФИЗМАТЛИТ, 2014. С. 114-118.
14. Крылов А., Судаков С., Киншаков В., Семашко А., Баринова О., Конушин А. Алгоритмы детектирования разметки и дефектов дорожного покрытия // Труды 18-й Международной конференции по компьютерной графике и зрению «ГрафиКон'2008». Сер. GraphiCon. М., 2008. С. 206-212.
15. Chen H, Miyojim M. M.: Automatic pavement distress detection system // Journal of information Sciences. 1998, vol. 108, pp. 219-240.
16. Boykov, Vekslers Zabih. Fast approximate energy minimization via Graph Cuts // IEEE PAMI, 2001, vol. 23, no. 11, pp. 1222-1239.
17. Charles A Bouman, Ken Sauer, Suhail Saquib. Markov random fields and stochastic image models, IEEE International Conference on Image Processing (1995).
18. Leo Breiman. Random forests, Machine learning, Vis. 45 (1), pp. 5-32 (2001).
19. Available at: https://yadi.sk/d/GEIaJHYOspQbR (accessed 27 June 2016).
20. Fernandes K., Ciobanu L. Pavement Pathologies Classification Using Graph-Based Features. ICIP 2014 - IEEE International Conference on Image Processing. 2014. Paris, France.

Файлы:

• 11.pdf (скачать | просмотреть) - скачано 34 раза