Detailergebnis zu DOK-Nr. 77600
Automatisierte Erkennung und Klassifizierung von Straßenschädigungen durch 3D-Bilder der Fahrbahnoberfläche und Deep Learning (Orig. engl.: Automated detection and classification of pavement distresses using 3D pavement surface images and deep learning)
| Autoren |
R. Ghosh O. Smadi |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 12.0 Allgemeines, Management |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 9, 2021, S. 1359-1374, 12 B, 4 T, 30 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Schädigungen der Straßenbefestigungen führen zu ihrer Zerstörung und schließlich zum Versagen. Zur Vermeidung von Schädigungen und zur genauen Zustandsbewertung sind eine präzise Erkennung und Klassifizierung von ausschlaggebender Bedeutung. Diese unterstützen entscheidend die Straßenbauverwaltungen bei der Planung und Durchführung von Erhaltungs- und Erneuerungsmaßnahmen. In den im Bericht dargestellten Untersuchungen werden intelligente Verfahren der 3D-Bildauswertung mit hoher Auflösung (1800 x 1200) entwickelt. Dabei werden zwei Deep-Learning-Methoden implementiert: Schnelleres regionales gefaltetes neuronales Netzwerk (R-CNN) und You Only Look Once (YOLO) v3. Die für die Analyse und Validierung erforderlichen Datensätze wurden im Auftrag der Straßenbauverwaltung im Bundesstaat Iowa aufgenommen. Das Trägerfahrzeug erfasst Daten im gesamten Bundesstaat und kann mit 96 km/h im Verkehr mitschwimmen. Der Vergleich mit standardisierten manuellen Methoden zeigt eine hohe Übereinstimmung von jeweils 97 %. Daraus resümieren die Autoren, dass die automatisierten Deep-Learning-Methoden das Potenzial haben, die manuellen Methoden zu ersetzen.