Abstract
Neste artigo é avaliado o potencial de Redes Neurais Convolucionais (RNC) como ferramenta automatizada para detecção de trincas em superfícies de pavimentos. Foram utilizadas fotografias da superfície de diferentes segmentos de um pavimento do tipo Cheapseal, obtidas a partir de câmeras fotográficas montadas em veículos. As imagens foram avaliadas a partir da proposta do uso de duas arquiteturas de redes neurais convolutionais e implementadas com o auxílio da biblioteca de aprendizado de máquina PyTorch, o qual possui código aberto e disponível na forma de script em linguagem Python. As imagens foram processadas com o uso de três técnicas diferentes, com o intuito de avaliar a influência da complexidade dos algoritmos propostos. Para análise da performance da rede neural, foram utilizadas como métricas de avaliação a acurácia, a precisão, o recall e o F1 score. Os resultados apontaram que a arquitetura da rede neural escolhida apresentou desempenho satisfatório na detecção de trincas, bem como indicam que a complexidade da rede é um dos fatores a ser considerado durante o processo de classificação das imagens.
Highlights
The pavement distress evaluation is a crucial stage of implementing Pavement Management System (PMS) at the network analysis level
This evidence indicates that the initial model architecture “memorizes” the input dataset during training phase, which has resulted in the Convolutional Neural Networks (CNN) failure to generalize the used images in the validation analysis
This study presents the potential of Convolutional Neural Networks (CNN) as an automated tool for crack detection in asphalt pavements
Summary
AND BACKGROUNDThe pavement distress evaluation is a crucial stage of implementing Pavement Management System (PMS) at the network analysis level. Volume 28 | Número 5 | 2020 and classi ied data allow the pavement managers to objectively evaluate pavement surface condition This procedure usually demands a considerable time of inspection and is susceptible to human error, which represents considerable costs and does not cover all the network extension (Li et al, 2017; Sun et al, 2009). Additional bene its of automated pavement distress assessment include minimal traf ic impact, reduction of the inspector’s safety risks during the ield operations, as well as faster evaluation process (Pierce and Weitzel, 2019). These bene its have encouraged transportation agencies around the world to choose this automated process
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have