Roadway pavement condition assessment utilizing computer vision, machine learning and entropy

Abstract

Οι δρόμοι, οι οποίοι αποτελούν αναπόσπαστο στοιχείο των μεταφορικών συστημάτων, επηρεάζουν σημαντικά την κοινωνική πρόοδο και την ευημερία, εξυπηρετώντας την κινητικότητα και συμβάλλοντας στην παραγωγικότητα. Παρά την τεράστια σημασία τους, οι αρμόδιες αρχές μεταφορών αποτυγχάνουν να τους διατηρήσουν σε μία αποδεκτή κατάσταση λειτουργικότητας και ασφάλειας. Οι στρατηγικές διαχείρισης οδικών οδοστρωμάτων, που χρησιμοποιούνται από τις αρχές, αντιμετωπίζουν ένα διπλό περιορισμό: Την έλλειψη ενός ολοκληρωμένου συστήματος υποστήριξης αποφάσεων διαχείρισης οδοστρωμάτων, όπως και την απουσία ενός αποτελεσματικού και χαμηλού κόστους συστήματος για την αξιολόγηση των οδοστρωμάτων. Η παρούσα διδακτορική διατριβή αντιμετωπίζει αυτές τις προκλήσεις, σκοπεύοντας να δημιουργήσει ένα οικονομικά αποδοτικό σύστημα αξιολόγησης της κατάστασης των ασφαλτικών οδοστρωμάτων, το οποίο κατατάσσει διαφορετικά οδικά τμήματα με σειρά προτεραιότητας για συντήρηση. Συγκεκριμένα, η διατριβή περιλαμβάνει την ανάπτυξη: (1) ενός ολοκληρωμένου συστήματος υποστήριξης αποφάσεων για τη διαχείριση ασφαλτικών οδοστρωμάτων, το οποίο ορίζει και συνδέει τους τύπους αστοχιών σε συνδυασμό με τα χαρακτηριστικά που απαιτούνται για την ταξινόμηση της σοβαρότητάς τους, τις αιτίες του κάθε τύπου αστοχίας, τους τρόπους αντιμετώπισες αυτών των αιτιών, και τις τεχνικές επισκευής για κάθε πιθανό συνδυασμό αστοχιών, (2) ενός συστήματος χαμηλού κόστους για την αυτόματη ανίχνευση όλες των αστοχιών, (3) ενός αλγορίθμου μηχανικής μάθησης ο οποίος αναγνωρίζει και ποσοτικοποιεί ένα συγκεκριμένο τύπο αστοχίας (μπαλώματα), λειτουργώντας σαν ένα παράδειγμα για την κατηγοριοποίηση οποιουδήποτε τύπου αστοχίας, (4) μια μέθοδος για την αποτελεσματική εκτίμηση κυκλοφοριακού φόρτου, χρησιμοποιώντας προϋπάρχουσες κάμερες, και (5) μια τεχνική που ταξινομεί οδικά τμήματα με βάση την αναγκαιότητα συντήρησης, αξιολογώντας την κατάσταση του οδοστρώματος και τον κυκλοφορικό φόρτο. Τα ακόλουθα στοιχεία πρωτοτυπίας των μεθόδων που χρησιμοποιήθηκαν για την επίτευξη των προαναφερθέντων στόχων συνοψίζουν την επιστημονική συνεισφορά της διδακτορικής διατριβής: (1) το σύστημα των τεσσάρων φάσεων για την υποστήριξη αποφάσεων διαχείρισης ασφαλτικών οδοστρωμάτων, το οποίο λαμβάνει υπόψη όχι μόνο τις αστοχίες και την επιδιόρθωσή τους, αλλά και τις αιτίες αιτείς αστοχιών όπως και την αντιμετώπιση αυτών των αιτιών, (2) η χρήση της εντροπίας για σκοπούς αξιολόγησης οδικών αξόνων, ανιχνεύοντας οδικές περιοχές που περιέχουν οποιοδήποτε είδος αστοχίας, (3) η χρήση "Support Vector Machines" για την ανίχνευση μπαλωμάτων του οδοστρώματος, σε συνδυασμό με την αυτόματη μέτρηση της επιφάνειας τους, (4) η χρήση δεδομένων, που συλλέγονται μέσω τεχνολογιών χαμηλού κόστους κατά τη διάρκεια της νύχτας, για σκοπούς αναγνώρισης αστοχιών οδοστρώματος, και η χρήση κάμερας κινητού τοποθετημένου μέσα στο όχημα για σκοπούς αυτόματου εντοπισμού μπαλωμάτων, (5) η δημιουργία ενός δείκτη αξιολόγησης οδοστρωμάτων, βασισμένος στην εντροπία, και η ιδιότητά του ως συνεχής μεταβλητή, και τέλος, (6) το σύστημα ταξινόμησης οδικών τμημάτων, που περιλαμβάνει το θεωρητικό υπόβαθρο και τα εργαλεία για τον υπολογισμό του νέου δείκτη αξιολόγησης, με βάση την κατάσταση του οδοστρώματος και τον κυκλοφοριακό φόρτο.Το προτεινόμενο σύστημα αξιολόγησης μπορεί να συμβάλει στη βελτίωση της γενικής κατάστασης των οδοστρωμάτων, έχοντας θετικό αντίκτυπο στην κινητικότητα, την παραγωγικότητα, την κοινωνική ανάπτυξη και την ευημερία, όπως και στην άνεση και την ασφάλεια των χρηστών.

Roadways, which constitute a key component of transportation systems, significantly affect social progress and prosperity by serving mobility and contributing to a society's productivity. Despite the roadways' criticality, though, transportation authorities fail to sustain them in an acceptable condition in terms of serviceability and safety. Road pavement management strategies, used by authorities, face a twofold challenge: (1) The lack of a fully integrated decision support system for pavement management, and (2) the lack of an effective, efficient and low-cost system for pavement condition assessment. This doctoral dissertation addresses these crucial limitations, aiming to create a cost-effective condition evaluation system for roadway asphalt pavements, which is able to prioritize the maintenance of roadway segments. The dissertation's key parts consist of the development of: (1) a comprehensive decision support system for the management of roadway asphalt pavements that not only identifies pavement defect types but it also identifies their attributes needed for assessing the severity of defects, the defect causes, suggested correction strategies for these causes, and repair strategies for each combination of defects; (2) a low-cost system that is capable of automatically detecting all distressed pavement areas; (3) a machine learning algorithm that classifies and quantifies a specific pavement defect type (i.e. patches), serving as an example for the classification of every defect type; (4) a method for effective traffic volume estimation, utilizing machine vision; and (5) a technique which assigns importance ratings to roadway segments for maintenance prioritization, based on the pavement condition rating and on traffic. The following characteristics of the methods, used for the accomplishment of the aforementioned objectives, summarize the contribution of this doctoral dissertation: (1) the four-stage approach for supporting decisions for the management of asphalt pavements, taking into account not only defect types and repair strategies, but also causes of defects and treatment of the causes; (2) the use of image-entropy for pavement assessment purposes, detecting distressed pavement areas consisting of any possible defect form; (3) the use of SVM for the automated classification of pavement patches, and the automated quantification of patch areas; (4) the data collection during nighttime for pavement defects classification purposes, and the use of a smartphone camera for automated patch classification; (5) the creation of an entropy-based pavement condition index (EPCI), and its quality to be a continuous variable; and finally (6) the maintenance prioritization system which provides not only the theory on the calculation of the Maintenance Prioritization Index (MPI) based on the EPCI and Traffic Volume Index (TVI), but also the vision-based tools for automated evaluation of pavement condition and traffic. The proposed evaluation system and technology can contribute to the improvement of the general roadway network condition, having a positive impact on mobility, productivity, social development and prosperity, as well as on the users' ridership comfort and safety.