Zurück Vor

Detailergebnis zu DOK-Nr. 81465

Erkennung von Schnee auf der Fahrbahn mithilfe von Dual-Spektrum-Kamerabildern und Computer Vision (Orig. engl.: Roadway Snow Detection Using Dual-Spectrum Camera Images and Computer Vision)

Autoren	X. He Y. Wu K. Zhang X. Zhu X. Yang
Sachgebiete	0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 16.4 Winterdienst 16.7 Fahrzeuge, Maschinen, Geräte (Mechanisierung)

Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 10, 2023, S. 220-232, 10 B, 7 T, 26 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr

Ungünstige Straßenverhältnisse, wie zum Beispiel Glätte, können sich negativ auf die Sicherheit des Straßenverkehrs auswirken. Das Ziel dieser Arbeit war es, ein praktisches Instrument zu entwickeln, mit dem die Glätte auf mehrstreifigen Straßen im Winter bewertet werden kann. Dafür wurde zunächst eine Felddatenerfassung mit einer Zweispektralkamera an einem Standort im US-Bundesstaat Utah durchgeführt. Es wurden optische und Infrarotbilder analysiert, die ein Sichtfeld über drei Fahrstreifen in zwei Schneestürmen abdeckten. Bildverarbeitungstechniken wie Bildregistrierung, morphologische Operationen und Segmentierung wurden auf beide Arten von Bildern angewendet, die unter verschiedenen Beleuchtungs- und Temperaturbedingungen aufgenommen wurden. Außerdem wurde das Verhältnis der schneebedeckten Pixel berechnet, um die Schneebedeckungsrate der einzelnen Fahrstreifen zu quantifizieren. Abschließend wurde die Leistung des Systems durch den Vergleich der Schätzung mit der realen Fahrbahn anhand einer Konfusionsmatrix überprüft. Die hohe Genauigkeit, Präzision, True-Positiv-Rate und True-Negativ-Rate deuten darauf hin, dass der entwickelte Ansatz eine zufriedenstellende Leistung bei der Erkennung von Schnee auf der Fahrbahn erbringen kann. Außerdem wurde die Leistung des unbeaufsichtigten k-means-Clustering-Algorithmus und der überwachten Support-Vector-Machine (SVM) anhand eines Datensatzes von 22 optischen Bildern und 19 Infrarotbildern bewertet. Sowohl das k-means-Clustering als auch die SVM können eine angemessene Bildsegmentierung für die Schätzung der Schneedecke auf der Fahrbahn unterstützen. Somit bietet die entwickelte Technik das Potenzial, den lokalen Behörden die Entscheidungsfindung bei der Planung von Schneeräumungsressourcen und der Leistungsbewertung zu erleichtern und die Wintersicherheit für vernetzte Fahrzeuge zu unterstützen.