Evaluación de daños en pavimento flexible usando fotogrametría terrestre y redes neuronales
Resumen
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.
Referencias bibliográficas
L. F. Macea; L. Morales; L. G. Márquez, “Un sistema de gestión de pavimentos basado en nuevas tecnologías para países en vía de desarrollo,” Ing. Investig. Tecnol., vol. 17, no. 2, pp. 223–236, Apr. 2016. https://doi.org/10.1016/j.riit.2016.06.007
V. G. Cerón, “Evaluación y comparación de metodologías VIZIR y PCI sobre el tramo de vía en pavimento flexible y rígido de la vía: Museo Quimbaya-CRQ Armenia Quindío (PR 00+000-PR 02+600),” (trabajo de especialización) Facultad de ingeniería y arquitectura, Universidad Nacional de Colombia. Manizales. 2006. http://bdigital.unal.edu.co/747/1/vivianaceronbermudez.2006.pdf
H. Rababaah; D. Vrajitoru; J. Wolfer, “Asphalt Pavement Crack Classification: A Comparative Study of Three AI Approaches: Multilayer Perceptron, Genetic Algorithms and Self-Organizing Maps,” (Tesis de Mestría), Indiana University South Bend, 2005. https://www.researchgate.net/publication/241525602_ASPHALT_PAVEMENT_CRACK_CLASSIFICATION_A_COMPARISON_OF_GA_MLP_AND_SOM
J. Valença; E. Júlio; H. Araújo, “Aplicações De Fotogrametria Na Monitorização De Estruturas,” in 2007 ICM In National Conference on A Instrumentação Científica e a Metrologia Aplicadas à Engenharia Civil, Lisboa 2007. pp. 2- 9. https://www.researchgate.net/publication/236941971_Aplicacoes_de_fotogrametria_na_monitorizacao_de_estruturas
Y. Sun; E. Salari; E. Chou, “Automated pavement distress detection using advanced image processing techniques,” in 2009 IEEE International Conference on Electro/Information Technology, Windsor. 2009, pp. 373–377. http://doi.org/10.1109/EIT.2009.5189645
S. Alamri, N. Kalyankar; K. S. D., “Image Segmentation by Using Edge Detection,” IJCSE Int. J. Comput. Sci. Eng., vol. 2, no. 3, 2010, pp. 804–807. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.302.9543&rep=rep1&type=pdf
H. Mu; D. Qi, “Pattern Recognition of Wood Defects Types Based on Hu Invariant Moments,” in 2009 2nd International Congress on Image and Signal Processing, Tianjin. 2009, pp. 1–5. https://doi.org/10.1109/CISP.2009.5303866
T. C. Ling, “Evaluation of cracks and disintegrations using close range digital photogrammetry and image processing technique,” (Tesis de Maestría), Faculty of Civil Engineering, Universiti Teknologi Malaysia, 2005. http://eprints.utm.my/id/eprint/3484/
A. Ragnoli; M. R. De Blasiis; A. Di Benedetto, “Pavement Distress Detection Methods: A Review,” Infrastructures, vol. 3, no. 4, p. 58, Dec. 2018. https://doi.org/10.3390/infrastructures3040058
S. Wu; J. Fang; X. Zheng; X. Li, “Sample and Structure-Guided Network for Road Crack Detection,” IEEE Access, vol. 7, pp. 130032–130043, Sep. 2019. https://doi.org/10.1109/ACCESS.2019.2940767
L. Li; L. Sun; G. Ning; S. Tan, “Automatic Pavement Crack Recognition Based on BP Neural Network,” Promet Traffic Transportation, vol. 26, no. 1, pp. 11–22, Feb. 2014. https://doi.org/10.7307/ptt.v26i1.1477
M. Gavilán et al., “Adaptive Road Crack Detection System by Pavement Classification,” Sensors, vol. 11, no. 10, pp. 9628–9657, Oct. 2011. https://doi.org/10.3390/s111009628
A. Banharnsakun, “Hybrid ABC-ANN for pavement surface distress detection and classification,” Int. J. Mach. Learn. Cybern., vol. 8, no. 2, pp. 699–710, Apr. 2017. https://doi.org/10.1007/s13042-015-0471-1
H. Gong; Y. Sun; W. Hu; B. Huang, “Neural networks for fatigue cracking prediction using outputs from pavement mechanistic-empirical design,” Int. J. Pavement Eng., pp. 1–11, Feb. 2019. https://doi.org/10.1080/10298436.2019.1580367
G. K. Choudhary; S. Dey, “Crack detection in concrete surfaces using image processing, fuzzy logic, and neural networks,” in 2012 IEEE Fifth International Conference on Advanced Computational Intelligence (ICACI), China. 2012, pp. 404–411. https://doi.org/10.1109/ICACI.2012.6463195
M. Qi; B. Zhang; Y. Xu; H. Xin; G. Cheng, “Linear Camera Calibration by Single Image Based on Distortion Correction,” in Proceedings of the 2nd International Conference on Graphics and Signal Processing, Sydney. 2018, pp. 21–25. https://doi.org/10.1145/3282286.3282303
E. Rivas; J. Mendiola; G. Herrera; C. Gonzáles; M. Trejo; G. Ríos, “Mejora de Contraste y Compensación en Cambios de la Iluminación,” Comput. Sist., vol. 10, no. 4, pp. 357–371, 2007. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-55462007000200004
L. Ying; E. Salari, “Beamlet Transform-Based Technique for Pavement Crack Detection and Classification,” Comput. Aided Civ. Infrastruct. Eng., vol. 25, no. 8, pp. 572–580, Jun. 2010.
https://doi.org/10.1111/j.1467-8667.2010.00674.x
M. Carrasco Zambrano, “Segmentación de Fallas en Soldaduras Utilizando Técnicas de Procesamiento Digital de Imágenes,” (Tesis de Maestría), Universidad de Santiago De Chile, Chile, 2003. http://www.vizzion.cl/files/MasterThesis_carrasco.pdf
L. Ling; H. Peikang; W. Xiaohu; P. Xudong, “Image edge detection based on beamlet transform,” J. Syst. Eng. Electron., vol. 20, no. 1, pp. 1–5, Feb. 2009. https://ieeexplore.ieee.org/document/6074606
N. Wei; X. Zhao; X. Y. Dou; H. Song; T. Wang, “Beamlet Transform Based Pavement Image Crack Detection,” in 2010 International Conference on Intelligent Computation Technology and Automation, Changsha. 2010, pp. 881–883. https://doi.org/10.1109/ICICTA.2010.755
A. Ouyang; Y. Wang, “Edge Detection in Pavement Crack Image with Beamlet Transform,” in 2nd International Conference on Electronic & Mechanical Engineering and In-formation Technology, Sep. 2012, pp 2036-2039. https://doi.org/10.2991/emeit.2012.451
Z. Lin; X. Zhao, “Geometrical flow-guided fast beamlet transform for crack detection,” IET Image Process., vol. 12, no. 3, pp. 382–388, Nov. 2018. https://doi.org/10.1049/iet-ipr.2017.0747
A. Cubero-Fernandez; F. J. Rodriguez-Lozano; R. Villatoro; J. Olivares; J. M. Palomares, “Efficient pavement crack detection and classification,” EURASIP J. Image Video Process., vol. 2017, no. 39, pp. 1–11, Dec. 2017. https://doi.org/10.1186/s13640-017-0187-0
E. A. Sobrado Malpartida, “Sistema de visión artificial para el reconocimiento y manipulación de objetos utilizando un brazo robot,” (Tesis de Maestría), Pontificia Universidad Católica del Perú, Lima, 2003. http://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/68
M. E. G. Mital; H. V. Villaruel; E. P. Dadios, “Neural Network Implementation of Divers Sign Language Recognition based on Eight Hu-Moment Parameters,” in 2018 2nd International Conference on Informatics and Computational Sciences (ICICoS), Semarang. 2018, pp. 1–6. https://doi.org/10.1109/ICICOS.2018.8621642
J. Zhao; X. Wang, “Vehicle-logo recognition based on modified HU invariant moments and SVM,” Multimed. Tools Appl., vol. 78, no. 1, pp. 75–97, Oct. 2017. https://doi.org/10.1007/s11042-017-5254-0
H. S. Yoo; Y. S. Kim, “Development of a crack recognition algorithm from non-routed pavement images using artificial neural net-work and binary logistic regression,” KSCE J. Civ. Eng., vol. 20, no. 4, pp. 1151–1162, May 2016. https://doi.org/10.1007/s12205-015-1645-9
Universidad Nacional sede Bogotá; Ministerio de transporte Instituto Nacional de Vías INVIAS, “Estudio e investigación del estado actual de las obras de la red nacional de carreteras Convenio Interadministrativos 0587-03. Manual para la inspección visual de Pavimentos Flexibles.” Bogotá, octubre 2006. https://www.invias.gov.co/index.php/archivo-y-documentos/documentos-tecnicos/manuales-de-inspeccion-de-obras/974-manual-para-la-inspeccion-visual-de-pavimentos-flexibles/file
N.-D. Hoang; Q.-L. Nguyen, “A novel method for asphalt pavement crack classification based on image processing and machine learning,” Eng. Comput., vol. 35, no. 2, pp. 487–498, Apr. 2019. https://doi.org/10.1007/s00366-018-0611-9
Descargas
