ОБРАБОТКА ВРЕМЕННЫХ РЯДОВ ИЗМЕРИТЕЛЬНОЙ ИНФОРМАЦИИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА
ВЕЙВЛЕТ-СПЕКТРОВ В СИСТЕМАХ ДИАГНОСТИКИ СОСТОЯНИЯ ПОКРЫТИЯ АВТОМОБИЛЬНЫХ ДОРОГ ПРИ ОБНАРУЖЕНИИ ПОВЕРХНОСТНЫХ ДЕФЕКТОВ

Головнин Олег Константинович, кандидат технических наук, доцент, кафедра информационных систем и технологий, Самарский национальный исследовательский университет имени академика С. П. Королева (Россия, г. Самара, ул. Московское шоссе, 34), golovnin@bk.ru
Прохоров Сергей Антонович, доктор технических наук, профессор, заведующий кафедрой информационных систем и технологий, Самарский национальный исследовательский университет имени академика С. П. Королева (Россия, г. Самара, ул. Московское шоссе, 34), sp.prokhorov@gmail.com
Столбова Анастасия Александровна, кандидат технических наук, доцент, кафедра информационных систем и технологий, Самарский национальный исследовательский университет имени академика С. П. Королева (Россия, г. Самара, ул. Московское шоссе, 34), anastasiya.stolbova@bk.ru

004.89 

DOI

10.21685/2072-3059-2020-4-5 

Актуальность и цели. Развитие мобильных технологий привело к появлению возможности выполнять диагностику состояния покрытия улиц и автодорог с использованием данных, полученных с датчиков абонентских устройств, которые не всегда являются надежными источниками информации. Таким образом, целью настоящей работы является повышение вероятности обнаружения поверхностных дефектов автомобильных дорог в условиях наличия пропусков в исходных данных.
Материалы и методы. Предложен подход к обнаружению поверхностных дефектов покрытия автомобильных дорог на основе анализа данных, фиксируемых мобильными устройствами в процессе движения. Вследствие сложности обработки и передачи визуально-фиксируемой информации с видеокамеры мобильного устройства в предложенном подходе для фиксации дефектов покрытия применяются данные акселерометра и GPS/ГЛОНАСС-приемника. Поскольку ненадежность акселерометра и возможные сбои в передаче результатов измерений по сотовой сети приводят к пропускам в исходных данных, предлагаемый подход базируется на последовательном применении вейвлетпреобразования и интеллектуального нейросетевого анализа, что обеспечивает повышение вероятности обнаружения поверхностных дефектов автомобильных дорог.
Результаты. На основе предложенного подхода разработана система диагностики состояния покрытия автомобильных дорог. Проведена экспериментальная апробация системы на двух участках улично-дорожной сети, различных по качеству поверхностного покрытия и скоростным режимам.
Выводы. Результаты исследования показали, что вероятность распознавания дефектов дорожного покрытия составила 0,95, таким образом, достигнуты высокие показатели относительно аналогичных решений. 

Ключевые слова

неэквидистантность, акселерометр, датчик, нейросеть, мобильное устройство.

 Скачать статью в формате PDF

 1. Головнин, О. К. Системный анализ и моделирование объектов, процессов и явлений транспортной инфраструктуры в технических системах управления движением / О. К. Головнин // Известия Самарского научного центра Российской академии наук. – 2018. – Т. 20, № 6-2. – С. 301–310.
2. Urano, K. Road surface condition inspection using a laser scanner mounted on an autonomous driving car / K. Urano, K. Hiroi, S. Kato, N. Komagata, N. Kawaguchi //
IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops). – IEEE, 2019. – С. 826–831.
3. Development of a laboratory model for automated road defect detection / H. BelloSalau, A. M. Aibinu, E. N. Onwuka, J. J. Dukiya, A. J. Onumanyi, A. O. Ighabon //
Journal of Telecommunication, Electronic and Computer Engineering (JTEC). – 2016. – Т. 8, № 9. – С. 97–101.
4. Struţu, M. I. Accelerometer Based Road Defects Identification System / M. I. Struţu, D. Popescu // U.P.B. Sci. Bull., Series C. – 2014. – Vol. 76, iss. 3. – С. 1–8.
5. Radopoulou, S. C. Automated detection of multiple pavement defects / S. C. Radopoulou, I. Brilakis // Journal of Computing in Civil Engineering. – 2017. – Vol. 31,
№ 2. – С. 04016057.
6. Christodoulou, S. E. Pavement defects detection and classification using smartphone-based vibration and video signals / S. E. Christodoulou, G. M. Hadjidemetriou,
C. Kyriakou // Workshop of the European Group for Intelligent Computing in Engineering. – Cham, Springer, 2018. – С. 125–138.
7. Moy de Vitry, M. Sewer inlet localization in uav image clouds: Improving performance with multiview detection / M. Moy de Vitry, K. Schindler, J. Rieckermann,
J. P. Leitão // Remote Sensing. – 2018. – Vol. 10, № 5. – С. 706.
8. Михеева, Т. И. Метод синтеза тематического слоя объектов транспортной сети на основе материалов космической съемки / Т. И. Михеева, А. А. Федосеев,
С. В. Михеев, О. К. Головнин // Информационные технологии. – 2017. – Т. 23, № 11. – С. 808–816.
9. Coenen, T. B. J. A review on automated pavement distress detection methods / T. B. J. Coenen, A. Golroo // Cogent Engineering. – 2017. – Т. 4, № 1. – С. 1374822.
10. Hadjidemetriou, G. M. Automated pavement patch detection and quantification using support vector machines / G. M. Hadjidemetriou, P. A. Vela, S. E. Christodoulou // Journal of Computing in Civil Engineering. – 2018. – Т. 32, № 1. – С. 04017073.
11. Abou Chacra, D. B. Fully automated road defect detection using street view images / D. B. Abou Chacra, J. S. Zelek // 14th Conference on Computer and Robot Vision (CRV). – IEEE, 2017. – С. 353–360.
12. Gkovedarou, M. Road Drainage System Localisation and Condition Data Capture / M. Gkovedarou, I. Brilakis // International Conference on Smart Infrastructure and
Construction 2019 (ICSIC) Driving data-informed decision-making. – ICE Publishing, 2019. – С. 43–47.
13. Huyan, J. Illumination Compensation Model with k-Means Algorithm for Detection of Pavement Surface Cracks with Shadow / J. Huyan, W. Li, S. Tighe, R. Deng, S. Yan // Journal of Computing in Civil Engineering. – 2020. – Т. 34, № 1. – С. 04019049.
14. Shi, Y. Automatic road crack detection using random structured forests / Y. Shi, L. Cui, Z. Qi, F. Meng, Z. Chen // IEEE Transactions on Intelligent Transportation Systems. – 2016. – Т. 17, № 12. – С. 3434–3445.
15. Сидоров, А. В. Программно-аппаратный комплекс учета параметров автодороги / А. В. Сидоров, О. К. Головнин // IT & ТРАНСПОРТ. – 2014. – С. 33–40.
16. Цаль, А. Ю. Совершенствование технических решений мониторинга автомобильных дорог и транспортных сооружений / А. Ю. Цаль, Н. А. Ермошин,
П. О. Середа // Инженерный вестник Дона. – 2018. – № 1 (48). – С. 16–22.
17. Бочаров, Д. С. Автоматизированная система оценки состояния дорожного покрытия с использованием устройств на платформе Android / Д. С. Бочаров,
С. А. Прохоров // Актуальные научные исследования в современном мире. – 2017. – № 5-5. – С. 29–34.
18. Hosseini, M. On the Configuration of Crowdsourcing Projects / M. Hosseini, K. Phalp, J. Taylor, R. Ali // Crowdsourcing: Concepts, Methodologies, Tools, and Applications. – IGI Global, 2019. – С. 33–52.
19. Huang, Y. Multidimensional reputation evaluation model for crowdsourcing participants based on big data / Y. Huang, M. Chen // International Conference on High
Performance Big Data and Intelligent Systems (HPBD&IS). – IEEE, 2019. – С. 41–46.
20. Integration issues of Big Data analysis on social networks / A. V. Ivaschenko, N. Y. Ilyasova, A. A. Khorina, V. A. Isayko, D. N. Krupin, V. A. Bolotsky, P. V. Sitnikov
// CEUR Workshop Proceedings. – 2018. – Т. 2212. – С. 248–254.
21. Dai, H. N. Big data analytics for manufacturing internet of things: opportunities, challenges and enabling technologies / H. N. Dai, H. Wang, G. Xu, J. Wan, M. Imran // Enterprise Information Systems. – 2019. – С. 1–25.
22. Kyriakou, C. Smartphone-Based Pothole Detection Utilizing Artificial Neural Networks / C. Kyriakou, S. E. Christodoulou, L. Dimitriou // Journal of Infrastructure Systems. – 2019. – Т. 25, № 3. – С. 04019019.
23. Manan, M. ( ROCOM)–System development, validation and field test / M. Manan // IOP Conference Series: Materials Science and Engineering. – IOP Publishing, 2019. – Т. 512, № 1. – С. 012017.
24. Прохоров, С. А. Программный комплекс анализа неэквидистантных временных рядов на основе непрерывного вейвлет-преобразования / С. А. Прохоров,
А. А. Столбова // Программные продукты и системы. – 2017. – Т. 30, № 4. – С. 668.
25. Столбова, А. А. Разработка и программная реализация алгоритмов непрерывного вейвлет-преобразования временных рядов с регулярной дискретизацией / А. А. Столбова // Программные продукты и системы. – 2017. – Т. 30, № 4. – С. 765–769.
26. Головнин, О. К. Вейвлет-анализ как инструмент исследования характеристик дорожного движения для интеллектуальных транспортных систем в условиях
недостающих данных / О. К. Головнин, А. А. Столбова // Труды СПИИРАН. – 2019. – Т. 18, № 2. – С. 326–353.
27. Christodoulou, S. E. Pavement Patch Defects Detection and Classification Using Smartphones, Vibration Signals and Video Images / S. E. Christodoulou, C. Kyriakou,
G. Hadjidemetriou // Mobility Patterns, Big Data and Transport Analytics. – Elsevier, 2019. – С. 365–380.
28. Road crack detection using deep convolutional neural network and adaptive thresholding / R. Fan, M. J. Bocus, Y. Zhu, J. Jiao, L. Wang, F. Ma, M. Liu // IEEE Intelligent Vehicles Symposium (IV). – IEEE, 2019. – С. 474–479.
29. Ht, M. Detection and Classification of Potholes in Indian Roads Using Wavelet Based Energy Modules / M. Ht, A. Danti // International Conference on Data Science and Communication (IconDSC). – IEEE, 2019. – С. 1–7. 30. Банк дорожных данных. – URL: http://gisabris.ru.