Yol Yüzey Anormalisinin Tespiti ve Analizi

Kentleşmenin şehirlerin hızlı gelişmesine neden olması gelişen şehirlerin alt yapılarının takibi ve güncellenme gerekliliğinin analizini zorunlu kılmıştır. Özellikle ulaşım karmaşasının önüne geçmek için çeşitli trafik planlamaları yapmanın yanı sıra ulaşımın sağlandığı kara yolunun niteliğinin de yeterli seviyede olması gereklidir. Yolun yapısal kusurların ve çatlaklarının manuel görsel muayenesi verinin hacmi ve yapının boyutu nedeniyle çok zaman alan zahmetli bir süreçtir. Yoldaki çatlakların ve kusurların manuel olarak incelenmesi, yorgunluk, sorumsuz denetim, zayıf göz görme gibi bir dizi nedenlerden dolayı insan hatası nedeniyle yeterli seviyede değerlendirilememektedir. Yol kusurlarının belirlenmesi, sürücüler için önemli olmakla beraber yaya gibi tüm yol kullanıcılarının güvenliği ve konforunu sağlamak için çukurlar, hız tümsekleri vb. yol yüzeyi anormalliklerinin izlenmesi büyük önem taşımaktadır. Bu çalışmada yol yüzey kalitesinin izlenmesine ve sürücülere daha güvenli bir yol sunmak adına kullanışlı bir otomatik algılama sisteminin geliştirilmesine odaklanmaktadır. Veri seti kamera sayesinde alınan verilerle oluşturulmuştur. Verilerin önişleme fazı tamamlandıktan sonra VGG-16 mimarisi kullanılarak sonuçlar alınmış, kazanç ve kayıp grafikleri çizdirilmiş ve tahminler yapılmıştır. Öncelikle veri setimiz 1 Bloklu VGG-16 Mimarisi’ ne uygulanmış ve %83,988 oranında doğruluğa ulaşılmıştır. Daha sonra veri seti 2 Bloklu VGG-16 Mimarisi’nden geçerek %93,895 oranında başarıya ulaşmıştır. Son olarak veri setimize 3 Bloklu VGG-16 Mimarisi uygulanmış ve 1 Bloklu VGG-16 ve 2 Bloklu VGG-16’ya nazaran en yüksek başarı oranı olan %95,930 ve en düşük hata oranı ile %0,1’in altına inmiştir. Modelin başarısını artırmak için eğer bellek boyutumuz kısıtlı değilse kullanılan veri setinin kapsamını genişletmek ya da 4 Bloklu VGG-16 modeli için sonuçlar alınmalıdır.

Detection and Analysis of Road Surface Anomaly

The rapid development of cities due to urbanization has made it necessary to follow up the infrastructure of developing cities and analyze the necessity of updating. Especially in order to prevent transportation complexity, besides making various traffic plans, the quality of the road on which the transportation is provided should be at a sufficient level. Manual visual inspection of road structural defects and cracks is a time-consuming and laborious process due to the volume of data and the size of the structure. Manual inspection of cracks and defects on the road cannot be adequately assessed due to human error due to a number of reasons such as fatigue, irresponsible inspection, poor eye vision. Identification of road defects is important for drivers, but potholes, speed bumps, etc. to ensure the safety and comfort of all road users such as pedestrians. Monitoring road surface anomalies is of great importance. This study focuses on the monitoring of road surface quality and the development of a useful automatic detection system to provide drivers with a safer route. The data set was created with the data received by the camera. After the preprocessing phase of the data was completed, results were obtained using VGG-16, gain and loss graphs were plotted and predictions were made. First of all, our data set was applied to 1-Block VGG-16 Architecture and %83.988 accuracy was achieved. Later, the data set passed the 2- Block VGG-16 Architecture and achieved a success rate of %93,895. Finally, 3-Block VGG-16 Architecture was applied to our dataset and compared to 1-Block VGG-16 and 2-Block VGG-16, the highest success rate was %95,930 and the lowest error rate was below 0.1%. In order to increase the success of the model, if our memory size is not limited, results should be taken to expand the scope of the data set used or for the 4-Block VGG-16 model.

PDF

___

[1] Koch C., Georgieva K., Kasireddy V., Akinci B., Fieguth P. 2015. A review on computer vision based defect detection and condition assessment of concrete and asphalt civil infrastructure, Advanced Engineering Informatics, 29 (2): 196–210.
[2] Cubero-Fernandez A., Rodriguez-Lozano F.J., Villatoro R. et al. 2017. Efficient pavement crack detection and classification. J Image Video Proc. 2017, 39.
[3] Zakeri H., Nejad F. M., Fahimifar A. 2017. Image based techniques for crack detection, classication and quantication in asphalt pavement: a review, Archives of Computational Methods in Engineering, 24 (4): 935–977.
[4] Tsai Y.-C., Kaul V., Mersereau R. M. 2010. Critical assessment of pavement distress segmentation methods, Journal of Transportation Engineering, 136 (1): 11–19.
[5] Koch C., Brilakis I. 2011. Pothole detection in asphalt pavement images, Advanced Engineering Informatics, 25 (3): 507- 515.
[6] Yang X., Li H., Yu Y., Luo X., Huang T., Yang X. 2018. Automatic Pixel-Level Crack Detection and Measurement Using Fully Convolutional Network.
[7] Futao Ni, Jian Zhang, Zhiqiang Chen,. (2018). Pixel level crack delineation in images with convolutional feature fusion. Structural Control and Health Monitoring. 26. 10.1002/stc.2286.
[8] Ronneberger O., Fischer P., Brox T. 2015. U-net: Convolutional networks for biomedical image segmentation, International Conference on Medical image computing and computer-assisted intervention, Springer, pp.234–241.
[9] Li P., Wang C., Li S., Feng, B. (2016). Research on crack detection method of airport runway based on twice-threshold segmentation, Proceedings - 5th International Conference on Instrumentation and Measurement, Computer, Communication, and Control, IMCCC 2015, 1716–1720.
[10] Zou Q., Cao Y., Li Q., Mao Q., Wang S. CrackTree: Automatic crack detection from pavement images, Pattern Recognition Letters, (3): 227–238.
[11] Oliveira H., Correia P.L. 24–28 August 2009. Automatic road crack segmentation using entropy and image dynamic thresholding. In Proceedings of the 17th European Signal Processing Conference, Glasgow, Scotland, UK; pp. 622–626.
[12] Zhao H., Qin G., Wang X. 16–18 October 2010. Improvement of canny algorithm based on pavement edge detection. In Proceedings of the 2010 3rd International Congress on Image and Signal Processing, CISP 2010, Yantai, China; Volume 2, pp. 964–967.
[13] Attoh-Okine N., Ayenu-Prah A. 2008. Evaluating pavement cracks with bidimensional empirical mode decomposition. EURASIP J.Adv. Signal Process. 1–7.
[14] Tanaka N., Uematsu K. 17– 19 November 1998. A Crack Detection Method in Road Surface Images Using Morphology. In Proceedings of the Workshop on Machine Vision Applications, Chiba, Japan; 98: 1–4
[15] Medina Roberto, Gayubo Fernando, González Luis M., Olmedo David, Gómez-García-Bermejo Jaime, Zalama Eduardo, Perán José. (2008). Surface Defects Detection on Rolled Steel Strips by Gabor Filters.. VISAPP 2008 - 3rd International Conference on Computer Vision Theory and Applications, Proceedings. 1. 479-485.
[16] Kumar Jatinder, Kumar Anish., 2015. Surface crack density and recast layer thickness analysis in WEDM process through response surface methodology. Machining Science and Technology. Article in Press. 10.1080/10910344.2016.1165835.
[17] Pawangfg. 2020. VGG-16 CNN Model. https://www.geeksforgeeks.org/vgg-16-cnn-model. (Erişim Tarihi: 21.05.2021).
[18] Vedat T, Burhan E. 2019. Intersections and crosswalk detection using deep learning and image processing techniques. Physica A: Statistical Mechanics and its Applications. 543.10.1016/j.physa.2019.123510