Evaluación de daños en pavimento flexible usando fotogrametría terrestre y redes neuronales

Abstract

La evaluación del deterioro de las vías en Colombia se realiza por medio de inventarios manuales e inspecciones visuales. Los métodos de evaluación del estado de las vías adoptados por el INVIAS (Instituto Nacional de Vías) son VIZIR (Visión Inspection de Zones et Itinéraires Á Risque) y PCI (Paviment Condition Index). Estos determinan la gravedad de daño en pavimento flexible y rígido; sin embargo, pueden ser tediosos, subjetivos y requieren de la experiencia de un evaluador, lo que evidencia la necesidad de desarrollar metodologías de evaluación del estado de las vías. Este documento presenta una metodología para la evaluación de los deterioros presentes en pavimento flexible usando técnicas de fotogrametría terrestre y redes neuronales que está compuesta por seis etapas: i. Captura de las imágenes, ii. Preprocesamiento de las imágenes, iii. Segmentación mediante técnicas de detección de bordes, iv. Extracción de las características, v. Clasificación utilizando redes neuronales, y vi. Evaluación del área de afectación del deterioro. La metodología se evaluó con imágenes reales de pavimento con tres tipos de deterioro: grieta longitudinal, piel de cocodrilo y bache. Como clasificador se utilizó una red neuronal multicapa con configuración (12 12 3), entrenada utilizando el algoritmo Levenberg Marquardt de retropropagación. Se obtuvo una exactitud del 96 % en el clasificador, una sensibilidad de 93.33 % y una índice kappa de 0.936. Esta metodología es la base para la creación de un sistema automatizado de evaluación del deterioro presente en las vías, el cual puede contribuir en la reducción en tiempo y costo en los planes de gestión de mantenimiento de la infraestructura vial.

Estimación de irregularidades en pavimentos mediante técnicas de procesamiento digital de imágenes

“…La metodología propuesta en este trabajo emplea únicamente técnicas clásicas de procesamiento digital de imágenes lo que simplifica el trabajo en gran medida, demandando un tiempo de desarrollo menor ya que se evitan etapas comunes y tediosas de un flujo de machine learning o deep learning que según lo expuesto en [3], [6] y [7] consta de tareas como la adquisición de las imágenes para formar el conjunto de entrenamiento, su etiquetado, elección del modelo que mejor se ajusta al problema y a los datos, ajuste de hiperparámetros, entre otros. Además, debe tenerse en cuenta que por la complejidad algorítmica de los modelos de machine learning y deep learning es necesario emplear recursos computacionales mayores con el fin de llevar a cabo el entrenamiento y puesta en producción de los modelos generados.…”

“…Tello-Cifuentes et. al [3], proponen un algoritmo para clasificación y evaluación de irregularidades sobre pavimentos (equivalentes a las tratadas en este trabajo) usando técnicas de fotogrametría y redes neuronales. En primer lugar, se capturan las imágenes de alta resolución y como segunda etapa se aplican técnicas de preprocesamiento a las imágenes, tales como: corrección geométrica, mejora de contraste y compensación en cambios de iluminación, aplicación de la transformada Beamlet para la detección de líneas y curvas, y aplicación de operaciones morfológicas, como tercer paso, se aplica una etapa de extracción de características que consiste en calcular los momentos invariantes de la imagen del punto anterior.…”

Comparative evaluation of UAV photogrammetry and mobile laser scanner for flexible pavement failure detection in developing countries

“…This data must then be processed by specialised software to conduct the conversion of the 3D model [22]. In contrast, the disadvantages associated with mobile laser scanning involve the need for advance planning of scanning positions and the resolution required for the desired level of detail [23]. Obtaining a high-resolution point cloud requires the use of powerful equipment for processing, which entails a high acquisition cost for the devices.…”

Dynamic Quality Monitoring System to Assess the Quality of Asphalt Concrete Pavement

“…The construction quality data is collected on site and is transmitted to the cloud data server in real time through 5G wireless network transmission technology for storage and management. Through real-time and dynamic analysis of the collected parameters, the system feeds back the abnormal data to the managers in the form of an SMS alarm [20,21]. The overall architecture for pavement construction quality digital monitoring system is shown in Figure 1.…”