Detailergebnis zu DOK-Nr. 75737
In-situ-Verhalten von Deep-Learning-basierter vollautomatischer Rissanalyse und ihr Potenzial für PCI-Erfassungen (Orig. engl.: Field performance of deep-learning based fully automated cracking analysis and its potential for PCI surveys)
| Autoren |
G. Yang K.C. Wang A. Zhang Y. Sun B. Li K.J. O'Connell |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 11.2 Asphaltstraßen |
Airfield and Highway Pavements 2019: Innovation and Sustainability in Highway and Airfield Technology: July 21-24, Chicago, Illinois - Selected papers from Sessions of the Proceedings of the International Airfield and Highway Pavements Conference. Reston, VA: American Society of Civil Engineers (ASCE), 2019, S. 1-9, 7 B, zahlr. Q. - Online-Ressource: verfügbar unter: www.asce.org
Nach einer Erhebung der American Society of Civil Engineers (ASCE) befinden sich mehr als 20 % der Nationalstraßen der USA in einem schlechten Zustand. Zur Zustandsbeschreibung wird der Pavement condition index (PCI) verwendet. Für die Erfassung der Netz-, Längs- und Querrisse wird das Bildsystem PaveVision3D eingesetzt. Nach Auffassung der Autoren erfordert die Bestimmung des PCI einen zu hohen begleitenden manuellen und damit zeitlichen und finanziellen Aufwand. Deshalb wird in den im Bericht dargestellten Untersuchungen ein Modell des Deep Learning (DL) in die Bestimmung des PCI einbezogen. DL ist als mehrschichtiges Lernen eine Methode des maschinellen Lernens, bei der künstliche neuronale Netze eingesetzt werden. Das Modell wird als Flussdiagramm dargestellt und ausführlich beschrieben. Als Resümee wird herausgestellt, dass eine hohe Korrelation zwischen den unter Verwendung von DL automatisch bestimmten PCI und den herkömmlich bestimmten PCI besteht. Somit erzeugt das DL-basierte Verfahren annehmbare Ergebnisse.