Application of Convolutional Neural Network (CNN) Models for Automated Monitoring of Road Pavement and Winter Surface Conditions Using Visual-Spectrum and Thermal Video Cameras

Pour garantir l’opération et la sécurité de leurs réseaux, les agences de transport dépensent des budgets importants pour surveiller et maintenir l'état de la chaussée et de la surface des routes pendant l’hiver. L'évaluation de la dégradation de la chaussée et de la surface hivernale peut être effectuée manuellement, c'est-à-dire des inspections visuelles des images de la chaussée obtenues par des caméras vidéo fixées à un véhicule d'inspection. Afin de réduire les coûts des inspections manuelles, la recherche et l'industrie ont évolué vers le développement et la mise en œuvre de systèmes automatisés d'évaluation de la surface des routes à l'aide du traitement automatisé des images. En tant compte des développements les plus récents, les objectifs de cette recherche sont les suivants 1) proposer et évaluer une méthodologie originale de réseau neuronal convolutif pour la détection et la classification automatisées des types de dégradation de la chaussée en utilisant une stratégie de collecte de données peu coûteuse et des modèles alternatifs pour la génération de données ; 2) développer un extension de la méthodologie pour la détection automatisée des conditions de surface des routes en hiver en combinant à la fois des images vidéo RVB et thermiques.Pour le premier objectif, la classification de la détérioration de la chaussée comprend la fissuration linéaire ou longitudinale, la fissuration en réseau, la fissuration par fatigue ou les nids-de-poule, le marquage de la chaussée, etc. Les modèles sont calibrés et testés sur la base d'un ensemble de données d'images recueillies sur les conditions de la chaussée de Montréal. Une analyse de sensibilité est effectuée pour évaluer différents scénarios de régularisation et stratégies de génération de données, en particulier la mise à l'échelle et le partitionnement des images d'entrée. Le taux de détection et la précision de la classification de l'approche proposée avec les modèles de réseaux neuronaux convolutifs (RNC) formés atteignent 83,8% par rapport à l'ensemble des tests, ce qui est prometteur en comparaison avec les dernières recherches de pointe dans la littérature. Plus précisément, les scores F1 sont de 0,808 pour "nid-de-poule", 0,802 pour "remplissage", 0,860 pour "marquage", 0,796 pour "fissure-linéaire" et 0,813 pour "fissure en réseau ". Cependant, en fusionnant les classes de fissure linéaire et de fissure réseau, le score F1 sur la classe fusionnée augmente à 0,916. Pour le second objectif, des images RVB et thermiques sont collectées et classifiées manuellement en quatre classes générales : enneigé, glacé, mouillé et neige fondue « en sloche ». À partir de l'ensemble de données original, trois méthodes de génération de données ont été évaluées en utilisant des stratégies de génération de données artificielles, fractionnées et à classes multiples. Des structures alternatives de modèles de réseaux neuronaux convolutifs avec un flux de données unique et un flux de données double ont été testées. Les résultats montrent que les conditions enneigées, mouillées et en sloche sont mieux observées sur les images RGB alors que les conditions glacées sont mieux observées sur les images thermiques. Le réseau d'entrée à flux multiples a produit le meilleur résultat en fonction de la précision moyenne de l'ensemble de données d'origine. En outre, il a été montré que le réseau d'entrée à flux multiples avec un poids faible pouvait améliorer les performances et que l'ajout d'images artificielles aurait le même effet. Cependant, le seul défaut des images artificielles est le problème du surapprentissage. Le rappel, la précision et la cote F1 sur l'ensemble de données de test du modèle à double flux de données sont respectivement de 0,948, 0,948 et 0,927, et la cote F1 pour chaque classe est de 0,866 pour la condition enneigée, 0,935 pour la condition glacée, 0,985 pour la condition mouillée et 0,888 pour la condition en sloche

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.