Automation Recognition of Pavement Surface Distress Based on Support Vector Machine

Potholes Road Classification by Shape and Area Features

“…Finally, precision results are not much different from precision in previous research. (Bray et al, 2006) Neural Network 25 images (defect), 25 images (non-defect) 100% (defect), 82% (non-defect) 2 Density, proximity and fractal dimension (Li et al, 2009) Support Vector Machine 450 images (training), 305 images (testing)…”

“…The previous discussion determined that the potholes have known by two features that are texture and shape features. The authors also used many methods to identify it such as Support Vector Machine (Li, Hou, Yang, & Dong, 2009), Artificial Neural Network (Bray, Verma, Li, & He, 2006;Xu, Ma, Liu, & Niu, 2008), and Fuzzy method (Ouma, Opudo, & Nyambenya, 2015). There are many precisions for the experiments.…”

MANIAC: uma metodologia para o monitoramento automatizado das condições dos pavimentos utilizando VANTs

“…Os métodos fornecidos por Fukuhara Fukuhara et al (1990) e Li Li et al (2009) só podia julgar se uma rachadura existiu e os resultados não foram bons o su ciente. O trabalho apresentado por Liu et al (2002) também determina a presença de rachaduras a partir do uso de redes neurais, mas com informações de sensores ultrasônicos.…”

“…Segundo os experimentos realizados pelos autores as taxas de classi cações corretas foram de 97,5%, 100% e 88%. É ainda feita nesse artigo uma comparação dos métodos utilizados para realização de detecção de alguns tipos de defeitos Fukuhara et al (1990), Koutsopoulos e Sanhouri (1991), Lee e Oshima (1994), Lee (2001), Zhou (2004), Li et al (2009). Os métodos em estudos anteriores têm diferentes graus de inconvenientes, e as desvantagens dos mesmos podem ser resumidas como segue: -O método é especí co e apenas funciona para alguns tipo de rachadura; demasiado complexo para operar computação rápida e de alto poder computacional é necessário; o resultado da classi cação é muito simples de usar na prática ou as amostras de imagem são muito pequenas.…”

“…Já está consolidado na literatura a utilização do treinamento supervisionado para a detecção de defeitos no pavimento asfáltico Oliveira e Correia (2008), Li et al (2009), Koch e Brilakis (2011), Salman et al (2013) mas não para o uso de imagens aéreas. Por outro lado, a utilização de técnicas de aprendizado não-supervisionado na detecção de defeitos no pavimento asfáltico fazendo uso ou não de imagens aéreas constitui ainda uma área de estudo a ser explorada e é a adotada na MANIAC.…”