Sistema automático para la detección y clasificación de grietas en pavimentos

Resumen

1. Introducción o motivación de la tesis Las carreteras son medios ampliamente utilizados a diario por millones de conductores en España y a lo largo del mundo. En este tipo de vías, el estado de la superficie del asfalto se ve alterado por un amplio abanico de defectos [1], y en concreto, las grietas cobran un interés especial debido a que su tratamiento en fases tempranas puede suponer un ahorro en el coste de reparación y tratamiento del defecto en etapas posteriores, así como evitar la aparición de defectos derivados de ellas. Además, si su estado se encuentra en condiciones óptimas, esto favorece la disminución de la tasa de accidentes de tráfico [2-3]. A pesar de la importancia que tiene su mantenimiento, existen millones de kilómetros que necesitan ser inspeccionados, y sin embargo esta labor se realiza actualmente, y en la mayoría de los casos de forma manual mediante la inspección visual supervisada por expertos [4], siendo una tarea ineficiente en el tiempo, costosa y complicada. Por ello, esta Tesis Doctoral presenta un sistema para la detección y clasificación automática de defectos de grietas en pavimentos. 2.Contenido de la investigación Para llevar acabo dicho sistema, se han distinguido y propuesto dos partes de la que debe constar dicho sistema: La detección o segmentación de las grietas y la clasificación de las grietas. En la primera se ha realizado una propuesta de algoritmos de visión por computador y procesamiento de imágenes que utilizan como entradas las imágenes de la superficie del asfalto en color. Estas son convertidas a un espacio de color en la que se dispone de menos información, mejorándolas y extrayendo las características que definen a las grietas en caso de haberlas. Además, una vez que se han extraído las características fundamentales, éstas son reducidas en número, proporcionando un nuevo espacio de atributos que definen a una grieta de sólo cuatro características de forma invariable al tamaño de la imagen y al tamaño y longitud de la grieta en caso de haberla. Una vez realizada la extracción y la reducción del número de características se ha propuesto el uso de una metodología de ensembles de modelos [5] para realizar la labor de clasificar los diferentes tipos de grietas. Este ensemble regido por el voto de la mayoría, se compone de un número mínimo de tres algoritmos basados en árboles de decisión C4,5 [6] y primero el mejor [7], así como el algoritmo de inducción de reglas de poda incremental repetida para la reducción de errores [8]. 3.Conclusión Con la metodología propuesta y la experimentación realizada en la presente Tesis Doctoral, se puede concluir que es posible la realización de un sistema que lleve a cabo la extracción y la clasificación de los defectos de forma automática aliviando de este modo la labor de los expertos. En lo referente a la detección de las grietas se puede corroborar que se alcanzan tasas de procesamiento cercanas a 40 imágenes por segundos en un sistema computacional de recursos limitados y de bajo coste. De esta forma, el sistema permite su implementación sin incurrir en un coste aún mayor al que ya lleva asociado el propio mantenimiento. Respecto a la clasificación de los defectos propuesta mediante un ensemble de modelos, los resultados arrojan unos valores mejores en la tolerancia a fallos de la clasificación. En concreto, si se compara la metodología expuesta en la presente Tesis Doctoral con la propuesta de otros autores de la literatura científica, se puede detectar que existen diferencias de hasta un 20% en términos de exhaustividad y exactitud. 4. Bibliografía [1] A. Ragnoli, M. De Blasiis, and A. Di Benedetto, “Pavement Distress Detection Methods: A Review,” Infrastructures, vol. 3, no. 4, p. 58, Dec. 2018. [2] F. Bella, A. Calvi, and F. D’Amico, “Impact of Pavement Defects on Motorcycles’ Road Safety,” Procedia - Social and Behavioral Sciences, vol. 53, pp. 942–951, Oct. 2012. [3] J. Lee, B. Nam, and M. Abdel-Aty, “Effects of Pavement Surface Conditions on Traffic Crash Severity,” Journal of Transportation Engineering, vol. 141, no. 10, p. 04015020, Oct. 2015. [4] S. C. Radopoulou and I. Brilakis, “Automated Detection of Multiple Pavement Defects,” Journal of Computing in Civil Engineering, vol. 31, no. 2, p. 04016057, Mar. 2017. [5] F. Schwenker, “Ensemble Methods: Foundations and Algorithms [Book Review],” IEEE Computational Intelligence Magazine, vol. 8, no. 1, pp. 77–79, Feb. 2013. [6] J. Ross Quinlan: C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, 1993, ISBN 1-55860-238-0. [7] J. Friedman, T. Hastie, and R. Tibshirani, “Additive logistic regression: a statistical view of boosting (With discussion and a rejoinder by the authors),” The Annals of Statistics, vol. 28, no. 2, pp. 337–407, Apr. 2000. [8] W. W. Cohen, “Fast Effective Rule Induction,” Machine Learning Proceedings 1995, pp. 115–123, 1995.