Detailergebnis zu DOK-Nr. 77819
Automatisierte Erkennung und Klassifizierung von Kornausbrüchen an Asphaltbefestigungen unter Verwendung des Gefalteten Neuronalen Netzwerks und der Makrotexturanalyse (Orig. engl.: Automated asphalt pavement raveling detection and classification using convolutional neural network and macrotexture analysis)
| Autoren |
Y.-A. Hsieh Y.(J.) Tsai |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 14.2 Ebenheit, Befahrbarkeit |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2675, H. 9, 2021, S. 984-994, 6 B, 4 T, 24 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Auf U.S. Highways werden wegen der bekannten Vorteile seit den 1950er-Jahren Straßenbefestigungen mit einer Deckschicht aus offenporigem Asphalt gebaut. Sie neigen allerdings zur Schädigung infolge von Kornausbrüchen (Raveling). Deren Erfassung und Klassifizierung im Rahmen von PMS erfolgt überwiegend mit zeitaufwendigen und fehleranfälligen manuellen Verfahren. Die bisher entwickelten automatischen Verfahren weisen nach Auffassung der Autoren Mängel auf. Sie stellen deshalb im Bericht das erste Modell zur automatisierten Erkennung und Klassifizierung auf der Basis des Gefalteten Neuronalen Netzwerks (Convolutional Neural Network CNN) vor. Dabei verwenden sie als Grundlage nicht das herkömmliche Maschinenlernen (machine learning ML), sondern das durch Lernfunktionen erzeugte Deep Learning (DL). Dieses wird mit der Bilderfassung der Makroanalyse kombiniert. Die zur Validierung erforderlichen In-situ-Daten wurden an fünf verschiedenen Highways im Bundesstaat Georgia gewonnen. Das entwickelte Modell erreicht eine hohe Genauigkeit von circa 90 %.