Um die Lebensdauer kommunaler Straßen zu verlängern, müssen Straßenschäden frühzeitig erkannt werden. Die Erkennung erfolgt, jedoch, meistens manuell oder mithilfe von speziell ausgestatteten Fahrzeugen. Dieses Verfahren ist zeit- und kostenaufwändig. In dieser Arbeit wird eine Methodik zur automatisierten Erkennung von Straßenschäden auf Basis von Maschinellen Sehens präsentiert. Fotos der Straßenoberfläche werden in Echtzeit auf Grafikprozessoren (GPU) analysiert, während Fahrzeuge wie PKWs, Busse und Taxis auf ihren üblichen Routen fahren. Mithilfe von Deep Learning werden die Schäden nach Art klassifiziert (Risse, Schlaglöcher, Flickstellen). Die Fotos werden durch den Einsatz eines Global Positioning System Empfängers mit einem Geotag versehen. Zum Testen der Methodik wurden 38 000 Fotos aufgenommen. Der Ansatz erreichte eine Genauigkeit von 93%.
GPU-enabled real-time pavement distress detection based on computer vision and deep learning
2020
49796 KB , 79 KB , 130 KB
Sonstige
Elektronische Ressource
Englisch
Automated Real-Time Pavement Distress Analysis
Transportation Research Record | 1999
|Automated Real-Time Pavement Distress Analysis
Online Contents | 1999
|Pavement Distress Detection Based on the Staged Deep Learning Classifier Approach
Transportation Research Record | 2024
|Real-Time Automated Survey of Pavement Surface Distress
British Library Conference Proceedings | 2002
|