Detecção e quantificação automatizadas de trincas em pavimentos de rodovias

• Junior, Jorge Destri ^[1] ; Borges, Nicolas Pereira ^[2] ; Junior, Nataniel Pereira Borges ^[3] ; Cunha, Strauss Carvalho ^[2] ; Valente, Amir Mattar ^[1]
  1. [1] Universidade Federal de Santa Catarina

     Universidade Federal de Santa Catarina

     Brasil

     
  2. [2] Instituto Tecnológico de Aeronáutica

     Instituto Tecnológico de Aeronáutica

     Brasil

     
  3. [3] Centro de Segurança da Informação Cispa Helmholtz, Alemanha

  Mostrar afiliaciones +
• Localización: Cuadernos de Educación y Desarrollo, ISSN-e 1989-4155, Vol. 15, Nº. 3, 2023, págs. 2711-2729
• Idioma: portugués
• Títulos paralelos:
  • Automated crack detection and quantification in highway sidewalks
• Enlaces
  • Texto completo
• Resumen
  • English

    One of the most common defects in road pavements is cracks and its presence is an excellent indicator that restoration actions are necessary. Currently, DNIT uses semi-automated video-records processing techniques to aid the extraction of some elements of federal highways, such as traffic signs and road geometry. Cracks are, however, manually detected being a laborious, biased, and time-consuming task. In this context, this work proposes a combination of image processing and machine learning techniques to automatically detect cracks and to estimate their percentage in video segments. We use image processing to filter out regions with a low probability of having cracks and machine learning to determine if the regions have cracks or not. Our experiments with 138,909 images obtained a 0.75 precision, 0.90 accuracy an 0.89 sensitivity.

  • português

    Um dos defeitos mais comuns no pavimento das rodovias são as trincas. Sua presença é um grande indicador de necessidade de ações de restauração. Atualmente, o DNIT utiliza vídeos-registros e processamento manual e automatizado para detectar a condição do pavimento e de outros elementos das rodovias. Porém, localizar e quantificar a presença de trincas ainda é um processo manual, que é lento, custoso e tendencioso. Nesse contexto, este trabalho propõe um método automatizado para detectar trincas e estimar o seu percentual, por quilômetro, em vídeos-registros, com o auxílio de técnicas de processamento de imagem e de aprendizado de máquina. Foram combinadas duas abordagens, uma que visa descartar regiões cuja probabilidade de ter trincas é baixa, e outra que se certifica de que as demais regiões têm trincas ou não. O modelo proposto foi validado em um conjunto de 138.909 imagens, obtendo-se acurácia de 0,90, sensibilidade de 0,89 e precisão de 0,75.