Удосконалення автоматизованої системи діагностування дорожнього покриття з використанням штучного інтелекту
Вантажиться...
Дата
2024
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
В дисертації отримані такі нові наукові результати: 1. удосконалено систему автоматизованого діагностування стану дорожнього покриття на основі мультимодального підходу із комплексуванням зображень шляхом впровадження підсистеми опрацювання (обробки) зображень, застосування методу аугментації теплових зображень та розробленої підсистеми класифікації дефектів дорожнього покриття; 2. вперше запропоновано та розроблено метод мультиспектрального злиття зображень з адаптивним визначенням вагових коефіцієнтів на основі вейвлет перетворення, який полягає в розкладанні початкових зображень на вейвлет коефіцієнти та визначені згортковою нейронною мережею вагових коефіцієнтів, що визначають частку початкового зображення в результуючому, і дозволяє збільшити інформативність результуючого зображення при проведенні діагностування дорожнього покриття; 3. вперше розроблено метод аугментації теплових зображень на базі злиття зображень для задач класифікації, який полягає в поєднанні вейвлет коефіцієнтів отриманих з початкових зображень одного об’єкту та зворотному перетворенню для отримання аугментованого зображення, і дозволяє підвищити ймовірність правильної класифікації дефектів при проведенні діагностування дорожнього покриття. Практична цінність дисертаційної роботи полягає в тому, що: розроблено алгоритмічне і програмне забезпечення реалізації підсистеми опрацювання зображень при автоматизованому діагностуванні дефектів дорожнього покриття; розроблено алгоритмічне і програмне забезпечення реалізації методу аугментації що базується на комплексуванні теплових зображень; розроблено алгоритмічне і програмне забезпечення реалізації підсистеми класифікації дефектів дорожнього покриття; сформовано навчальну вибірку розмічених для задач класифікації пар знімків у видимому та інфрачервоних спектрах дефектів дорожнього покриття; розроблено структурну схему автоматизованої системи діагностування дорожнього покриття зі злиттям зображень. У дисертаційній роботі описано, що дорожньо-транспортна система є однією з ключових ланок критичної інфраструктури будь-якої держави. В Україні цей сектор відіграє особливо важливу роль, адже загальна протяжність автомобільних доріг складає 169,5 тисяч кілометрів. Через постійний вплив транспортних навантажень дорожнє покриття зазнає природного зношування та руйнації. Для підвищення безпеки на дорогах та зменшення витрат на подальший ремонт проводиться регулярна діагностика стану доріг. За даними досліджень, своєчасне виявлення дефектів та проведення профілактичних ремонтних робіт здатне скоротити витрати на ремонтні заходи більш ніж утричі. Стан дорожнього покриття безпосередньо впливає на частоту дорожньотранспортних пригод (ДТП). Якість та параметри доріг належать до об'єктивних чинників, що можуть призводити до аварійних ситуацій. Об'єктивні фактори підлягають контролю та коригуванню, що відкриває можливості для зниження кількості ДТП. Оскільки автомобільні дороги є однією з найбільших інфраструктурних систем, їх діагностика та обслуговування є дуже ресурсоємними процесами. Витрати на проведення таких робіт, включаючи людські ресурси та час, досягають значних обсягів. Одним з оптимальних шляхів скорочення цих витрат є автоматизація процесів моніторингу стану покриття та ухвалення рішень щодо необхідних ремонтних робіт. Важливим бар'єром для масового впровадження автоматизованих систем є висока вартість обладнання, що використовується для точної діагностики дефектів дорожнього полотна. Наприклад, лазерні сканери, які здатні надавати високоточні результати, мають ціну в межах сотень тисяч доларів. У той час, менш дорогі сенсори, які можливо використовувати, такі як камери видимого та інфрачервоного спектрів, не забезпечують достатньої точності при ідентифікації дефектів. Фахівці зазначають, що зниження точності виявлення дефектів за допомогою камер часто пов'язане з низкою факторів, таких як оптичні спотворення, забруднення поверхні доріг, наявність тіней та погодні умови. У багатьох випадках ці фактори призводять до значних інформаційних перешкод. Наявні наукові дослідження пропонують використовувати методи обробки зображень для вирішення цієї проблеми. Однак, попри всі зусилля науковців, існуючі автоматизовані системи діагностики стану доріг все ще не досягли необхідного рівня ефективності, що потребує подальшого вдосконалення або розробки нових методик і технологій. Для вирішення існуючої проблеми запропоновано використати елементи штучного інтелекту, а саме нейромережеві технології. Проблему нестачі обсягу та різноманітності даних у навчальних вибірках нейронних мереж пропонується вирішити за рахунок запропонованого методу аугментації зображень, який заснований на їх комплексуванні з використанням вейвлет-перетворення. Метод має додаткову перевагу — підвищення інформативності результуючих зображень, що позитивно впливає на ефективність навчання нейронних мереж. Було проведено порівняння нового методу аугментації, розробленого на основі злиття зображень, з іншими наявними підходами для задач класифікації. У результаті проведених досліджень підтверджено, що новий метод не лише покращує точність класифікації, але й демонструє меншу алгоритмічну складність у порівнянні з методом випадкової заміни вейвлет-коефіцієнтів, так, для реалізації запропонованого методу потрібно лише два вихідних зображення, тоді як метод випадкової заміни вейвлет-коефіцієнтів вимагає шість зображень. Проблему впливу неінформативних елементів вихідних зображень на результат діагностики, пропонується вирішити запропонованим методом комплексування зображень з адаптивним визначенням вагових коефіцієнтів, що оптимально поєднує зображення двох спектрів з підвищенням інформативності результуючого зображення. Розроблено нейронну мережу для адаптивного визначення ваг у методі комплексування зображень. Мережа забезпечує автоматичне обчислення вагових коефіцієнтів, які використовуються для підвищення якості результатів. Було обґрунтовано структуру цієї мережі та проведено аналіз її ефективності на валідаційних наборах даних. Порівняння нового методу комплексування з іншими підходами показало його високу ефективність у створенні більш інформативних зображень. Для оцінки інформативності використовувався метод на основі ентропії. Було зібрано та оброблено навчальний набір даних, що включає зображення видимого та інфрачервоного спектрів, які містять дефекти дорожнього покриття. Це дало можливість емпірично розробити підсистему для обробки зображень, отриманих з камер лабораторій для діагностики дорожнього покриття. Запропоновано структурну схему автоматизованої системи діагностики та ремонту доріг, що використовує елементи штучного інтелекту. Ця система реалізовує повний цикл втручання, від діагностики до ремонту. Так, на основі отриманої інформації про стан при обробці зображень, підсистема підтримки прийняття рішень надає рекомендації щодо організації необхідної технології ремонту. Також були обґрунтовані процеси попередньої обробки даних для обох спектрів, що дозволило знизити інформаційні завади та підвищити точність діагностики. Було навчено модель для автоматизованого визначення типів дефектів дорожнього покриття, яка продемонструвала значно кращу точність у порівнянні з існуючими рішеннями. Удосконалення відбулося завдяки впровадженню запропонованих методів злиття зображень та методу аугментації. Це дозволило підвищити ймовірність коректного визначення типу дефекту на 0,66%, забезпечуючи більш надійні результати навіть при обмеженому обсязі навчальних даних. Запропонований підхід також зменшив необхідну кількість навчальних зображень до 3 тисяч, що еквівалентно 13,5 тисячам у існуючих рішеннях. Така оптимізація значно спрощує навчання моделі та підвищує її ефективність у задачах діагностування стану дорожнього покриття. А також, було обрано нейронну мережу для сегментації зображень, яка дозволяє точно визначати площу дефектів, забезпечуючи високу ефективність при використанні текстових підказок. Розроблено алгоритми для автоматизованого руху лабораторій та підсистеми обробки зображень. Реалізовано обробку зображень та прийняття рішень на базі хмарних сервісів, що скорочує час на впровадження нових версій та прискорило процес моделювання. Підсистема підтримки прийняття рішень надає рекомендації щодо проведення необхідних ремонтних робіт, оптимізуючи використання ресурсів та забезпечуючи своєчасне усунення виявлених дефектів. За результатами імітаційного моделювання підтверджено працездатність запропонованої системи, яка демонструє високі показники точності при визначенні типів дефектів дорожнього покриття та розрахунку їх площі.
Опис
Ключові слова
діагностика дорожнього покриття, комплексування зображень, аугментація, критерій якості, обробка сигналів, вейвлетперетворення, методи неруйнівного контролю, нейронні мережи, автоматизація, експертна система, математична модель, прийняття рішень, машинне навчання, ідентифікація, road surface diagnostics, image fusion, augmentation, quality criterion, signal processing, wavelet transformation, non-destructive testing methods, neural networks, automation, expert system, mathematical model, decision-making, machine learning, identification.
Бібліографічний опис
Сторожик, Д. В. Удосконалення автоматизованої системи діагностування дорожнього покриття з використанням штучного інтелекту : дис. … д-ра філософії : 15 Автоматизація та приладобудування / Сторожик Денис Володимирович. – Київ, 2024. – 136 с.