Acceso usuarios
Brasil
Brasil
One of the most common defects in road pavements is cracks and its presence is an excellent indicator that restoration actions are necessary. Currently, DNIT uses semi-automated video-records processing techniques to aid the extraction of some elements of federal highways, such as traffic signs and road geometry. Cracks are, however, manually detected being a laborious, biased, and time-consuming task. In this context, this work proposes a combination of image processing and machine learning techniques to automatically detect cracks and to estimate their percentage in video segments. We use image processing to filter out regions with a low probability of having cracks and machine learning to determine if the regions have cracks or not. Our experiments with 138,909 images obtained a 0.75 precision, 0.90 accuracy an 0.89 sensitivity.
Um dos defeitos mais comuns no pavimento das rodovias são as trincas. Sua presença é um grande indicador de necessidade de ações de restauração. Atualmente, o DNIT utiliza vídeos-registros e processamento manual e automatizado para detectar a condição do pavimento e de outros elementos das rodovias. Porém, localizar e quantificar a presença de trincas ainda é um processo manual, que é lento, custoso e tendencioso. Nesse contexto, este trabalho propõe um método automatizado para detectar trincas e estimar o seu percentual, por quilômetro, em vídeos-registros, com o auxílio de técnicas de processamento de imagem e de aprendizado de máquina. Foram combinadas duas abordagens, uma que visa descartar regiões cuja probabilidade de ter trincas é baixa, e outra que se certifica de que as demais regiões têm trincas ou não. O modelo proposto foi validado em um conjunto de 138.909 imagens, obtendo-se acurácia de 0,90, sensibilidade de 0,89 e precisão de 0,75.
