zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Kiến trúc - Xây dựng

Phương pháp học máy thống kê sử dụng mạng tích chập trong phát hiện vết nứt mặt đường

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:7

Báo xấu

13
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết đề xuất phương án sử dụng phương pháp học máy thống kê và mạng tích chập để phát hiện vết nứt mặt đường trên ảnh, kết quả phát hiện vết nứt sẽ cho phép tính toán các chỉ số nứt. Phương pháp này cho phép phát hiện vết nứt mặt đường một cách tự động với độ chính xác hơn 90%, cao hơn các phương pháp khác được sử dụng và so sánh trong bài viết.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Phương pháp học máy thống kê sử dụng mạng tích chập trong phát hiện vết nứt mặt đường

Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải PHƯƠNG PHÁP HỌC MÁY THỐNG KÊ SỬ DỤNG MẠNG TÍCH CHẬP TRONG PHÁT HIỆN VẾT NỨT MẶT ĐƯỜNG Nguyễn Thị Hồng Nhung1, Phạm Hồng Quân1*, Nguyễn Tiến Hưng1 1 Trường Đại học Giao thông Vận tải, Số 3 Cầu Giấy, Hà Nội * Tác giả liên hệ: Email: phamhongquan@utc.edu.vn Tóm tắt. Chỉ số nứt mặt đường là một chỉ số quan trọng trong đánh giá tình trạng mặt đường. Chỉ số này thường đường thu nhập bằng cách thủ công, tốn kém thời gian và năng suất lao động không cao. Những năm gần đây, với sự tiến bộ của công nghệ xử lý ảnh, cả về thiết bị phần cứng và phần mềm xử lý, hiện tượng nứt mặt đường được quan sát và đánh giá qua ảnh đem lại hiệu quả cao. Trong bài báo này, chúng tôi đề xuất phương án sử dụng phương pháp học máy thống kê và mạng tích chập để phát hiện vết nứt mặt đường trên ảnh, kết quả phát hiện vết nứt sẽ cho phép tính toán các chỉ số nứt. Phương pháp này cho phép phát hiện vết nứt mặt đường một cách tự động với độ chính xác hơn 90%, cao hơn các phương pháp khác được sử dụng và so sánh trong bài báo. Từ khóa: học máy thống kê, mạng tích chập, phát hiện vết nứt mặt đường, chỉ số nứt mặt đường, khảo sát mặt đường. 1. ĐẶT VẤN ĐỀ Trong bảo trì và sửa chữa đường bộ, chỉ số mặt đường (Pavement Serviceability Index - PSI) đóng góp một phần quan trọng phản ánh tình trạng mặt đường. PSI được tính dựa trên ba chỉ số cơ bản đó là chiều sâu độ hằn lún vệt bánh xe, độ ghồ ghề (IRI) và nứt mặt đường. Chỉ số nứt là các chỉ số như độ dài vết nứt, độ rộng vết nứt, chiều sâu nứt và hướng của nứt. Để xác định các chỉ số nứt trước hết cần phát hiện các vết nứt. Trong các chỉ số PSI, độ hằn lún và ghồ ghề mặt đường được tính toán tự động. Tuy nhiên chỉ số nứt mặt đường vẫn phải khảo sát thủ công dựa trên ảnh chụp. Việc khảo sát thủ công cho năng suất thấp về cả thời gian và tài chính. Để giải quyết vấn đề tồn tại trên, nhóm tác giả đã tiến hành nghiên cứu phương pháp mới tự động phát hiện vết nứt mặt đường bằng các công nghệ xử lý ảnh dùng học máy thông kê trong lĩnh vực trí tuệ nhân tạo. Qua đó tiết kiệm phần lớn nhân công, tăng hiệu quả và góp phần tối ưu công nghệ khảo sát tình trạng mặt đường bằng xe đo chuyên dụng hiện có ở nước ta. Trong báo cáo này, nhóm tác giả đề xuất mô hình sử dụng thuật toán học sâu (deep learning) dựa trên mạng neu-ron tích chập (Convolutional Neural Network – -205-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải CNN) để tự động phát hiện vết nứt mặt đường. CNN đã được sử dụng và có nhiều kết quả tốt ở các lĩnh vực khác nhau như y tế, giao thông, nông nghiệp… 2. HIỆN TRẠNG PHÂN TÍCH NỨT MẶT ĐƯỜNG HIỆN NAY Với các thiết bị đồng bộ được lắp đặt, xe khảo sát tình trạng mặt đường theo công nghệ Nhật Bản hiện đang sử dụng ở nước ta có thể lưu thông bình thường trên đường trong quá trình khảo sát. Hệ thống quét lazer cho phép xác định được chênh lệch cao độ của các điểm trên mặt cắt đường theo hướng ngang giúp xác định được chiều sâu hằn lún và theo hướng dọc kết hợp với dữ liệu đo khoảng cách giúp xác định được chỉ số gồ ghề IRI của mặt đường. Hệ thống camera độ phân giải cao giúp chụp ảnh liên tục: 1 camera phía trước xe cho phép ghi lại hình ảnh đường theo bước 5m/1 ảnh; 4 camera điện từ độ phân giải cao gắn phía sau xe, chụp trực hướng cho phép ghi lại đầy đủ hình ảnh bề mặt đường đảm bảo nhìn rõ vết nứt mặt đường để phục vụ phân tích. Các dữ liệu hình ảnh này được lưu vào ổ cứng trên máy tính và chuyển về phân tích nội nghiệp. Khi đưa vào phân tích, phần mềm phân tích tích hợp toàn bộ ảnh bề mặt đường của đoạn cần phân tích và hiện thị trên màn hình. Hệ thống lưới ô vuông 0,5m x 0,5m cũng được phần mềm tự động thiết lập trên dải ảnh mặt đường này. Phân tích viên quan sát ảnh mặt đường trên màn hình và đánh dấu chọn các ô có nứt theo 2 loại: Ô có một đường nứt và ô có từ 2 đường nứt trở lên (Hình 1). Theo tiêu chuẩn khảo sát mặt đường ở Nhật Bản, diện tích nứt mặt đường được quy đổi theo các ô nứt như sau: • Ô có một đường nứt: Diện tích nứt quy đổi bằng 0,15m2 tương đương với 60% diện tích ô. • Ô có từ 2 đường nứt trở lên: Diện tích nứt quy đổi bằng 0,25m2 tương đương với 100% diện tích ô. Bằng cách đánh dấu chọn các ô nứt như trên, phần mềm sẽ tổng hợp và tính toán tổng diện tích nứt mặt đường quy đổi. Tỷ lệ nứt mặt đường được tính là tỷ lệ phần trăm tổng diện tích nứt mặt đường quy đổi và tổng diện tích của phạm vi phân tích. (a). Hình ảnh đường phía trước. (b). Ảnh chụp mặt đường và lưới phân tích nứt. Hình 1. Ảnh mặt đường và phân tích xác định các ô nứt theo phương pháp thủ công. Theo thực tế triển khai công nghệ này ở Nhật Bản cũng như ở nước ta, trung bình để phân tích nứt hết số liệu của một ca khảo sát ngoài hiện trường, cần tám ngày công phân tích nội nghiệp [2]. Rõ ràng, kết quả phân tích nứt trên có mức độ chi tiết rất cao, -206-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải không chỉ giúp lập kế hoạch bảo trì mà có thể khai thác phục vụ lập hồ sơ sửa chữa chi tiết ở mức sửa chữa cục bộ. Tuy nhiên, phương pháp phân tích thủ công này đã gây ảnh hưởng đáng kể đến năng suất của công nghệ này đồng thời làm tăng chi phí khảo sát tình trạng mặt đường: Chi phí phân tích nứt bằng thủ công chiếm khoảng 50% tổng chi phí khảo sát ngoại nghiệp và phân tích nội nghiệp. Như vậy, đặt vấn đề nghiên cứu cải tiến công nghệ khảo sát tình trạng mặt đường theo hướng tự động hóa công tác phân tích nứt là hoàn toàn phù hợp và có ý nghĩa rất lớn đặc biệt xét trong bối cảnh mạng lưới đường bộ ở nước ta với trên 70000 km đường quốc lộ, đường đô thị, đường tỉnh và đường cao tốc với yêu cầu quản lý, bảo trì cao. Các phương pháp học máy có ưu điểm rất lớn trong việc tự động phân tích dữ liệu và rút ngắn thời gian khảo sát. Mô hình học máy chúng tôi đề xuất dưới đây cho phép hệ thống học từ dữ liệu để đưa ra quyết định đối với mỗi ảnh có nứt hay không và có bao nhiêu vết nứt. Việc sử dụng mô hình như vậy cho phép thực hiện trong thời gian thực giúp tiết kiệm rất nhiều thời gian, công sức và chi phí. 3. PHƯƠNG PHÁP SỬ DỤNG MÔ HÌNH CNN ĐỂ TỰ ĐỘNG PHÁT HIỆN VẾT NỨT 3.1. Chuẩn bị dữ liệu Dữ liệu sử dụng là ảnh hai chiều, đa mức xám, được thu thập từ camera gắn trên xe khảo sát mặt đường chuyên dụng đã và đang được khai thác bởi Bộ Giao thông. Do được chụp ở các điều kiện thời tiết khác nhau, điều kiện mặt đường đa dạng nên dữ liệu ảnh rất phong phú, độ tương phản không đồng đều, nhiễu trên ảnh nhiều. Các đối tượng có thể gây nhiễu trong ảnh và dễ gây nhầm lẫn với vết nứt như vết sơn; Bóng đổ từ cầu, đèn đường và từ chính xe chuyên dụng; Vệt nước từ bánh xe của các phương tiện giao thông và các dị vật khác trên đường. Ngoài ra, độ phân giải của ảnh từ xe chuyên dụng không cao cũng gây khó khăn trong việc thiết lập thuật toán. Tính phức tạp của dữ liệu ảnh đòi hỏi một thuật toán tối ưu để đáp ứng được yêu cầu về độ chính xác. Đối với bài toán phát hiện vết nứt mặt đường, cần phân biệt vùng có nứt và vùng không có nứt. Vì vậy, chúng tôi đề xuất sử dụng bài toán phân lớp nhị phân để phát hiện vết nứt. Đầu vào của mô hình gồm 2 lớp: Lớp mẫu có nứt (positive) và lớp không có nứt (negative). Trong đó: • Mẫu positive có chứa vết nứt ở tâm. • Mẫu negative không chứa bất kỳ vết nứt nào. Để xây dựng mô hình và kiểm thử, chúng tôi sử dụng khoảng 1000 ảnh kích thước 1900x750 pixel. Đảm bảo tính khách quan của mô hình, ảnh dùng trong thử nghiệm được chụp từ nhiều điều kiện thời tiết và điều kiện mặt đường khác nhau. Các ảnh này được cắt thành các mẫu (sample) có kích thước 96 x 96 pixel để phục vụ cho việc xây dựng mô hình. Trong đó, 60% số mẫu dùng để xây dựng mô hình, 20% số mẫu dùng để thẩm định mô hình (validation) và 20% số mẫu để kiểm tra (testing) và đưa ra độ chính xác của mô hình. 3.2. Đề xuất mô hình phân lớp nhị phân sử dụng CNN -207-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải Mô hình phân lớp nhị phân sử dụng tự động phát hiện vết nứt được đề xuất như hình 2. Mô hình này gồm có các thành phần cơ bản được sử dụng đó là lớp tích chập, lớp gộp (pooling), lớp liên kết đầy đủ hàm quyết định. Hình 2. Mô hình CNN dùng tự động phát hiện vết nứt. Lớp tích chập. Lớp tích chập sử dụng hàm tích chập để tích chập ảnh đầu vào và bộ lọc (kernel). Trong mô hình này chúng tôi sử dụng năm lớp tích chập, số kernel trong mỗi lớp theo thứ tự là 18, 18, 32, 32, 64. Các lớp tích chập sẽ khai thác các đặc tính của mẫu đầu vào, từ đó học được đặc tính nào là nứt, đặc tính nào không phải nứt. Lớp pooling. Sau mỗi lớp tích chập, một lớp pooling được đưa vào nhằm làm giảm số tham số và kích thước mẫu đầu vào lớp tiếp theo. Việc sử dụng lớp pooling giúp mô hình giảm hiệu ứng quá phù hợp với dữ liệu (over fitting). Lớp liên kết đầy đủ. Ở cuối mô hình, hai lớp liên kết đầy đủ đưa vào để kết hợp các đặc tính. Hàm quyết định. Hàm quyết định được sử dụng sau lớp liên kết đầy đủ thứ hai. Trong mô hình này chúng tôi sử dụng hàm “softmax”. Hàm softmax có giá trị từ 0 đến 1, tương ứng với xác suất của một mẫu có phải là nứt hay không. Quá trình xây dựng và sử dụng mô hình gồm có hai pha chính là pha huấn luyện và pha kiểm tra. Pha huấn luyện. Ảnh thu thập được cắt thành các mẫu và chia làm hai tập positive và negative. Các mẫu này được học bởi các lớp tích như trình bày ở trên. Đầu ra của pha huấn luyện là một mô hình lưu trữ các thông tin về nứt và không nứt. Mô hình này cho phép xử lý các mẫu mới và đưa ra quyết định mẫu mới có phải là nứt hay không. Số mẫu được sử dụng trong pha huấn luyện là 80%, trong đó 60% để xây dựng mô hình và 20% để kiểm thử mô hình. Pha kiểm tra. Các mẫu đầu vào được chọn ngẫu nhiên và không được sử dụng trong pha huấn luyện. Đầu ra là xác suất mẫu đó có phải là nứt hay không, xác suất này có giá trị từ 0 đến 1. Số mẫu dùng để kiểm tra mô hình là 20% trong tổng số mẫu. -208-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải 4. KẾT QUẢ Để đánh giá mô hình phát hiện vết nứt chúng tôi sử dụng phương pháp PRC (Precision – Reccal Curve) [5]. Mô hình đề xuất có hệ số điều hòa F1-score = 92%. Bảng 1, minh họa kết quả Precision, Recall và F1-score của phương pháp được đề xuất. Bảng 1. PRC của phương pháp đề xuất. Độ chính xác (Precision) Chỉ số khôi phục (Recall) Hệ số điều hòa (F-measure) 93 91 92 Hình 3 và hình 4 là hai ví dụ về phát hiện vết nứt trên ảnh chụp ở các điều kiện khác nhau. Các nứt ở hai hình này đều là những vết nứt kép, nhỏ. Hình kết quả cho thấy mô hình đều phát hiện được các vết nứt trong ảnh. 3a. Ảnh gốc. 3b. Ảnh kết quả. Hình 3. Kết quả phát hiện vết nứt trên ảnh chụp khi trời nắng. -209-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải 4a. Ảnh gốc. 4b. Ảnh kết quả. Hình 4. Kết quả phát hiện vết nứt trên ảnh chụp khi có bóng râm. 5. KẾT LUẬN Phương pháp sử dụng mạng tích chập với mô hình chúng tôi đề xuất có kết quả cao trong việc tự động phát hiện vết nứt mặt đường trên ảnh chụp. Kết quả nghiên cứu và thử nghiệm đã làm rõ tính khả thi của phương pháp tự động phát hiện vết nứt mặt đường trên ảnh chụp từ xe chuyên dụng làm cơ sở để cải tiến công nghệ khảo sát tình trạng mặt đường hiện mới được chuyển giao và đang áp dụng ở nước ta theo hướng tăng năng suất, giảm chi phí và nâng cao độ chính xác. Trong tương lai, nhóm tác giả sẽ tiếp tục nghiên cứu về mô hình phát hiện nứt theo thời gian thực và tự động cập nhật các mẫu mới. Điều này cho phép mô hình ngày càng hoàn thiện theo số lượng mẫu và ảnh chụp được đưa vào. TÀI LIỆU THAM KHẢO [1]. Nguyễn Đình Thạo, Tô Nam Toàn, Kazuya Aoki, Chuyển giao, sử dụng công nghệ khảo sát tình trạng mặt đường bằng xe đo chuyên dụng ở Việt Nam và khai thác dữ liệu thu thập, Báo cáo tại Hội thảo tổng kết hoạt động khoa học công nghệ ngành Giao thông Vận tải giai đoạn 2011-2015. -210-
Hội nghị Khoa học công nghệ lần thứ XXII Trường Đại học Giao thông vận tải [2]. Japan International Cooperation Agency, Final report of the Project for Capacity Enhancement in Road Maintenance, 2014. [3]. C. Papageorgiou, M. Oren, and T. Poggio, A general frame-work for object detection, In International Conference on Computer Vision, 1998. [4]. Nguyen, Thanh-Tung, and Thuy Thi Nguyen, A real time license plate detection system based on boosting learning algorithm, Image and Signal Processing (CISP), 2012 5th International Congress on. IEEE, 2012. [5]. Buckland, Michael, and Fredric Gey, The relationship between recall and precision, Journal of the American society for information science 45.1 (1994): 12. -211-

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2430 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.