Czym jest wykrywanie pęknięć oparte na AI?
Wykrywanie pęknięć oparte na AI to metoda wizji komputerowej, która znajduje pęknięcia na zdjęciach nawierzchni, korzystając z modelu wytrenowanego na oznaczonych przykładach.
Jak to działa
Ludzie zaznaczają piksele pęknięć w zestawie zdjęć treningowych. Wynikiem jest maska dla każdego zdjęcia. Model uczy się na tych parach. Następnie zaznacza piksele pęknięć na nowych zdjęciach. Model, który daje maskę pikselową, wykonuje segmentację pęknięć. Prostsza metoda rysuje prostokąt wokół uszkodzenia, tak jak robi to zbiór GAPs.
Starsze metody używały progu jasności. Próg działa na czystym tle, bo piksele pęknięć wyraźnie różnią się od tła na histogramie jasności. Przy zaszumionym tle oznacza wiele pikseli błędnie, ponieważ tekstury niebędące pęknięciami mają podobny kontrast. Nierównomierne oświetlenie dodaje kolejne zakłócenia.
Rodziny modeli
Większość modeli pęknięć to sieci segmentujące.
- U-Net ma ścieżkę zwężającą, która chwyta kontekst, i symetryczną ścieżkę rozszerzającą, która lokalizuje. Powstał dla obrazów biomedycznych i trenuje się go na niewielkiej liczbie zdjęć.
- DeepLabv3+ dodaje dekoder do sieci DeepLabv3, aby wyostrzyć granice obiektów.
- Sieci specjalizowane do pęknięć, takie jak sieć piramidy cech i hierarchicznego boostingu (FPHBN), są zbudowane dla pęknięć nawierzchni. FPHBN dodaje kontekst do cech niskiego poziomu i daje większą wagę trudnym próbkom w funkcji straty treningu.
Artykuły opisujące U-Net i DeepLabv3+ nie testują ich na nawierzchniach. Oceniaj model po wyniku na zdjęciach nawierzchni.
Dane treningowe
Model jest tak dobry, jak jego oznaczone zdjęcia. Te publiczne zbiory są częste w badaniach nad pęknięciami.
| Zbiór | Zawartość | Oznaczenie |
|---|---|---|
| CrackForest (CFD) | 118 zdjęć nawierzchni | maski pikselowe |
| CRACK500 | 500 zdjęć o rozmiarze około 2 000 na 1 500 pikseli, wykonanych telefonami na terenie kampusu uniwersyteckiego | maski pikselowe |
| GAPs | 1 969 szarych zdjęć o rozmiarze 1 920 na 1 080 pikseli, 1,2 mm na piksel, z pęknięciami, dziurami (potholes) i łatami (patches) | prostokąty ograniczające |
| GAPs384 | 384 zdjęcia z pęknięciami wybrane z GAPs przez autorów FPHBN | maski pikselowe dodane przez autorów |
Badacze często trenują na jednym zbiorze i testują na innym, aby sprawdzić, czy model się uogólnia. Autorzy FPHBN trenowali na CRACK500, a testowali na GAPs384. Sprawdzone źródła nie mówią, że którykolwiek z tych zbiorów zawiera nawierzchnię lotniskową.
Etykiety mają takie samo znaczenie jak zdjęcia. Autorzy jednego badania z UAV stwierdzili, że etykiety referencyjne silnie wpływają na wynik.
Jak ocenia się wynik
Model ocenia się względem maski oznaczonej przez człowieka.
- Precyzja to udział przewidzianych pikseli pęknięć, które są poprawne.
- Czułość (recall) to udział prawdziwych pikseli pęknięć, które model znalazł.
- Miara F łączy precyzję i czułość.
- Przecięcie nad sumą (IoU) mierzy nakładanie się przewidywanej i prawdziwej maski. FPHBN używa średniego IoU po progach, który pokazuje też, czy szerokość jest dobrze oszacowana.
Wynik na publicznym zbiorze mówi niewiele o wyniku na twojej nawierzchni. Poproś o zdjęcia testowe, liczbę zdjęć i rozmiar piksela.
Od maski do długości i szerokości
Maska pokazuje, gdzie jest pęknięcie. Ocena nawierzchni wymaga jego długości i szerokości, więc drugi krok je mierzy. Jeden opublikowany potok drogowy zwęża każde pęknięcie do linii środkowej (szkieletu). Jako średnią szerokość przyjmuje liczbę pikseli pęknięcia podzieloną przez liczbę pikseli szkieletu. Kamera skalibrowana na 1 mm na piksel zamienia piksele na milimetry.
Rozmiar piksela na ziemi decyduje o tym, jakie szerokości metoda może rozróżnić. ASPRS nazywa to odległością próbkowania terenu (GSD, ground sample distance). PAVER ustala stopień nasilenia niewypełnionego pęknięcia przy średniej szerokości 1/4 cala (6 mm). Piksel musi być wyraźnie mniejszy od tej szerokości, bo inaczej nie da się odróżnić niskiego stopnia od średniego. Jak mierzy się szerokość pęknięcia na nawierzchni, opisuje wpis słownika o szerokości pęknięcia.
Co wynik na lotnisku musi zawierać
Nawierzchnia lotniskowa jest oceniana według rodzaju, stopnia nasilenia i ilości każdego uszkodzenia. Podręczniki PAVER definiują uszkodzenia dla ASTM D5340.
- Pęknięcia podłużne i poprzeczne w asfalcie (48) mierzy się w metrach bieżących (stopach bieżących). Stopień nasilenia zależy od łuszczenia i od tego, czy pęknięcie jest wypełnione, oraz od tego, czy jego średnia szerokość jest większa, czy mniejsza niż 1/4 cala (6 mm). Każdy stopień nasilenia rejestruje się osobno.
- Spękania krokodylowe (41) mierzy się powierzchniowo w stopach kwadratowych (metrach kwadratowych).
- Nawierzchnia betonowa ma własne uszkodzenia pęknięciowe, na przykład pęknięcia (63), pękanie trwałościowe (64) i pęknięcia skurczowe (73).
Wynik, który mówi tylko „tu jest pęknięcie”, nie wystarcza więc do badania PCI. Musi podawać rodzaj pęknięcia, długość i stopień nasilenia. Podręczniki wymieniają też uszkodzenia, które nie są pęknięciami, na przykład koleiny (53), raveling (52), wietrzenie (57) i łatanie (50). Detektor pęknięć ich nie widzi. Badanie PCI też ich potrzebuje.
FAA AC 150/5380-6C wymienia przyczyny pęknięć w nawierzchniach elastycznych. Są to ugięcie nad niestabilnym podłożem, skurcz, rozszerzanie i kurczenie się pod wpływem temperatury, źle wykonane połączenia pasów i pęknięcia odbite.
Ograniczenia
- Wykryte pęknięcie może być szersze niż rzeczywiste. W badaniu z UAV sieć bazowa (Cracknet-V) oznaczała jako pęknięcie piksele leżące obok pęknięcia.
- Po etapie progowania mogą pozostać rozproszone szumy.
- Etykiety treningowe silnie wpływają na wynik.
- Opublikowany potok drogowy ocenił tylko cztery rodzaje uszkodzeń, na małych zbiorach oceny.
- FAA podaje, że sama kontrola wzrokowa nie pokazuje stanu konstrukcyjnego nawierzchni.
Gdzie to pasuje
W USA 14 CFR 139.305 wymaga, aby nawierzchnia była wolna od pęknięć, które mogłyby zakłócić kontrolę kierunku statków powietrznych przewoźników lotniczych. Dotyczy to też pęknięć, które wytwarzają luźne kruszywo. Przepis dotyczy skutku pęknięcia, a nie sposobu jego wykrywania. Mówi, że okólniki doradcze FAA podają dopuszczalne metody.
Wytyczne EASA dotyczące kontroli powierzchni utwardzonych zalecają szukanie spękań i łuszczenia. FAA AC 150/5380-7B wymaga danych o stanie nawierzchni, które są obiektywne, systematyczne i powtarzalne. Pozwala też, aby badanie PCI wydłużyło szczegółowy przedział kontroli do trzech lat. Żaden z tych dokumentów nie wskazuje analizy obrazu jako sposobu spełnienia tych wymagań.
TarmacView planuje dziś loty badawcze nad nawierzchniami i wykonuje zdjęcia. Wykrywanie pęknięć oraz ocena według ASTM D5340 są w przygotowaniu i oferowane jako wczesny dostęp.
Często zadawane pytania
- Czym jest wykrywanie pęknięć oparte na AI i jak działa?
- To metoda wizji komputerowej, która znajduje pęknięcia na zdjęciach nawierzchni. Ludzie zaznaczają piksele pęknięć na zdjęciach treningowych, a model uczy się na tych parach. Po treningu model zaznacza piksele pęknięć na nowych zdjęciach. Starsze metody używały progu jasności, który przy zaszumionym tle błędnie oznaczał wiele pikseli.
- Czym różni się wykrywanie pęknięć od segmentacji pęknięć?
- Wykrywanie mówi, gdzie jest pęknięcie. Segmentacja oznacza każdy piksel jako pęknięcie lub nie pęknięcie. Zbiór GAPs oznacza uszkodzenia prostokątami ograniczającymi, które są zbyt grube do treningu na poziomie pikseli, więc badacze ponownie oznaczyli część zbioru maskami pikselowymi. Tylko maska pikselowa daje długość i szerokość pęknięcia.
- Jakie zbiory danych służą do trenowania modeli wykrywania pęknięć?
- Publiczne zbiory to CrackForest (118 zdjęć), CRACK500 (500 zdjęć o rozmiarze około 2 000 na 1 500 pikseli) i GAPs (1 969 szarych zdjęć, 1,2 mm na piksel). Pokazują drogi, nawierzchnię na terenie kampusu uczelni i niemiecką nawierzchnię asfaltową. Sprawdzone źródła nie mówią, że którykolwiek z nich zawiera nawierzchnię lotniskową, więc sprawdź model na własnej nawierzchni.
- Jak mierzy się szerokość i długość pęknięcia z maski?
- Szkieletyzacja zwęża maskę pęknięcia do linii. W jednym badaniu drogowym średnia szerokość to liczba pikseli pęknięcia podzielona przez liczbę pikseli szkieletu. Potem przelicza się piksele na milimetry za pomocą rozmiaru piksela na ziemi. To badanie używało kamery skalibrowanej na 1 mm na piksel.
- Jaki rozmiar piksela jest potrzebny do wykrywania pęknięć?
- Rozmiar piksela na ziemi musi być wyraźnie mniejszy od szerokości pęknięcia, która wyznacza stopień nasilenia. PAVER rozdziela niski i średni stopień nasilenia niewypełnionego pęknięcia asfaltowego przy średniej szerokości 1/4 cala (6 mm). Zdjęcia GAPs mają 1,2 mm na piksel. Jedno z badań drogowych używało 1 mm na piksel.
- Czy wykrywanie pęknięć oparte na AI to to samo co badanie PCI?
- Nie. Badanie wskaźnika stanu nawierzchni (PCI) wykonuje się zgodnie z ASTM D5340 i rejestruje każde uszkodzenie według rodzaju, stopnia nasilenia i ilości. Detektor pęknięć tylko znajduje pęknięcia. Podręczniki ASTM D5340 wymieniają też uszkodzenia, które nie są pęknięciami, na przykład koleiny (rutting), raveling i wietrzenie (weathering).
- Czy przepisy lotniskowe dopuszczają wykrywanie pęknięć oparte na AI?
- Dokumenty sprawdzone na potrzeby tej strony o tym nie wspominają. 14 CFR 139.305 mówi, że nawierzchnia musi być wolna od pęknięć, które mogłyby zakłócić kontrolę kierunku. Wytyczne EASA zalecają sprawdzanie spękań. FAA wymaga obiektywnej, systematycznej i powtarzalnej oceny. Żaden z nich nie wskazuje metody analizy obrazu.
- Jakie są ograniczenia wykrywania pęknięć opartego na AI?
- Wykryte pęknięcie może być szersze niż rzeczywiste, może pozostać rozproszony szum, a etykiety w danych treningowych wpływają na wynik. FAA podaje też, że stanu konstrukcyjnego nawierzchni nie da się ustalić wyłącznie z kontroli wzrokowej.
Bibliografia
- zhu-2019-hcnn
- Crack Detection Using Enhanced Hierarchical Convolutional Neural Networks (arXiv:1912.12139) Zhu, Phung and Ha, University of Technology Sydney
- yang-2019-fphbn
- Feature Pyramid and Hierarchical Boosting Network for Pavement Crack Detection (arXiv:1901.06340) Yang, Zhang, Yu, Prokhorov, Mei and Ling, Temple University
- ronneberger-2015-unet
- U-Net: Convolutional Networks for Biomedical Image Segmentation (arXiv:1505.04597) Ronneberger, Fischer and Brox, University of Freiburg
- chen-2018-deeplabv3plus
- Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation (arXiv:1802.02611) Chen, Zhu, Papandreou, Schroff and Adam, Google
- ibragimov-2024-pci
- Automated Pavement Condition Index Assessment with Deep Learning and Image Analysis: An End-to-End Approach, Sensors 24(7), 2333 MDPI, Sensors
- asprs-accuracy-2024
- ASPRS Positional Accuracy Standards for Digital Geospatial Data, Edition 2, Version 2 (2024) American Society for Photogrammetry and Remote Sensing
- faa-paver-asphalt
- PAVER Asphalt Surfaced Airfield Pavements Distress Identification Manual FAA, US Army Corps of Engineers
- faa-paver-concrete
- PAVER Concrete Surfaced Airfield Pavements Distress Identification Manual FAA, US Army Corps of Engineers
- faa-ac-150-5380-6c
- AC 150/5380-6C, Guidelines and Procedures for Maintenance of Airport Pavements FAA
- faa-ac-150-5380-7b
- AC 150/5380-7B, Airport Pavement Management Program (PMP) FAA
- easa-ear-aerodromes
- Easy Access Rules for Aerodromes (Regulation (EU) No 139/2014), Part-ADR.OPS EASA
- cfr-14-139-305
- 14 CFR 139.305 Paved areas US Electronic Code of Federal Regulations
To wpis referencyjny. TarmacView świadczy usługi inspekcji dronami i nie sprzedaje sprzętu ani materiałów opisanych w tym słowniczku.
