Brasil
Brasil
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.
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.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados