Detekcija promene sastava i geometrije puta obradom izmerenih parametara za potrebe kategorizacije putne infrastrukture

Abstract

U ovoj disertaciji razvijen je algoritam za predikciju rizika proklizavanja vozila, čime je omogućeno mapiranje rizičnih zona duž putne infrastrukture. Predloženim algoritmom se realizuju automatska detekcija i prepoznavanje finih promena sastava i geometrije putne površi. Ovo se zasniva na obradi teksture slike dobijene skeniranjem puta, iz specijalnog vozila koje se kreće kolovoznom trakom duž deonice putne mreže. Merni podaci prikupljeni su upotrebom multisenzorske platforme montirane na vozilo. Ovakav pristup analizi putne infrastrukture ima za cilj adekvatnu i blagovremenu reakciju na promene stanja površi puta, koje nisu vidljive golim okom od strane direktnih učesnika u saobraćaju. Ovo je od posebnog značaja i za potrebe službi koje se bave održavanjem puteva i sanacijom oštećenja. Na osnovu eksperimentalnih rezultata i obradom izmerenih parametara, razvijen je i predstavljen algoritam čiji je glavni cilj predviđanje rizika i lokalizacija regiona potencijalnih saobraćajnih nezgoda koje mogu nastati kao posledica proklizavanja vozila sa putne površi. U pogledu strukturnog kvaliteta, putna površ se najčešće opisuje svojom teksturom. Njena geomerijska svojstva direktno utiču na druge činioce bezbednosti u saobraćaju, kao što su interakcija pneumatika sa površinskim slojem puteva, odvođenje tj. drenaža vode i otpornost na proklizavanje. U osnovi razvoja pomenutog algoritma urađene su analize jednodimenzionalnih i dvodimenzionalnih signala dobijenih uređajima za beskontaktno skeniranje. Akvizicija jednodimenzionalnih signala vršena je na osnovu interakcije koherentne svetlosti sa površinskim materijalima puta, upotrebom laserskog profilometra. Dvodimenzionalni signal je dobijen upotrebom video-kamere kojom je snimana putna površ. Oba dijagnostička pristupa realizovana su uređajima sa istog specijalnog vozila. U ovoj disertaciji je najpre potvrđena multifraktalna priroda profila putne površi, čime je dokazana mogućnost primene multifraktalnog pristupa u analizi teksture puta, koja se pokazala kao veoma pouzdan alat za detekciju i lokalizaciju granulometrijskih promena na putnoj površi. Rezultati multifraktalne analize su iskorišćeni kao potvrda stohastičke prirode jednodimenzionalnog signala, i pretpostavka da dvodimenzionalni signal pripada sličnoj familiji slučajnih/pseudoslučajnih vremenskih serija. Novi algoritam predikcije rizika, predložen u disertaciji, bazira se na obradi i analizi dvodimenzionalnog signala. Obrada i analiza slike vršena je testiranjem četiri metode za ekstrakciju obeležja teksture: Gaborovom transformacijom, transformacijom talasićima, matricom kopojavljivanja nivoa sivog i obeležjima histograma ivica. Od svih navedenih metoda, primena Gaborove transformacije je pokazala najbolje rezultate. Ekstrakcija vektora obeležja teksture praćena statističkim algoritmima za merenje sličnosti vektora obeležja i selekcija referentnog vektora, dovela je do klasifikacije teksture slike. Sâm algoritam je nadograđen inkorporiranjem istovremenih merenja temperature površine, kako bi se kreirala i validirala finalna klasifikacija finih tekstura površine. Put je klasifikovan u klase rizika visokog, srednjeg i niskog nivoa, u skladu sa opasnostima od proklizavanja, što je omogućilo formiranje mape rizičnih zona. Algoritam predviđanja rizika je potvrđenna osnovu podataka o saobraćajnim nezgodama, koje su se desile u periodu od tri sukcesivne godine na istoj deonici puta, pribavljenih iz baze Agencije za bezbednost drumskog saobraćaja Srbije. Razvijeni algoritam omogućava predikciju lokacija rizičnih zona sa mapiranjem, koje upozoravaju na potencijalne saobraćajne nezgode usled proklizavanja vozila. Može se koristiti kao podrška za navigaciju, autonomnu vožnju, a moguće je unaprediti celu proceduru sa ciljem adekvatne reakcije u realnom vremenu, putem globalne mreže (IoV - Internet of Vehicles), koja postaje sastavni deo tzv. pametnih gradova (smart cities). Ovakav pristup analizi putne površi će svakako, u svojoj daljoj primeni, rezultirati u smeru precizne i objektivne klasifikacije i kategorizacije kompletne putne infrastrukture, a sve u pravcu povećanja bezbednosti učesnika u saobraćaju, sa naročitim akcentom na rešenje problema predviđanja rizika na putu za donošenje odluka pri autonomnoj vožnji.

This dissertation describes the development of an algorithm for predicting the risk of vehicle skidding by mapping high-risk zones along road surfaces. The algorithm enables the automatic detection and recognition of fine changes in the composition and geometry of road surfaces. It is based on image texture processing of the metrics obtained from scanning the road surface using a vehicle-mounted multi-sensory platform. The objective of this algorithm is to provide the means to a real time response to invisible to the bare eye changes in road surface conditions for the benefit of road maintenance and damage repair services, as well as general motorists and autonomously driven vehicles. The algorithm will be capable of being used to identify and assess the accident risk posed by inadequate and compromised road surfaces that potentiate the possibility of vehicles skidding and sliding. In terms of structural quality, road surface is most often described according to its texture. Its geometric properties have a direct impact on other road safety factors, such as interaction with vehicle tires, water drainage and skid resistance. The development of the algorithm was based on analysis of onedimensional and two-dimensional signals obtained by contactless scanning devices. The acquisition of one-dimensional signals was performed with a laser profiler, and the two-dimensional signal was obtained with a combination of a video camera and a surface temperature sensor. All diagnostic devices were mounted on the same special vehicle. For this research, the multifractal nature of the road surface profile was firstly confirmed, thus proving the feasibility of applying a multifractal approach to analyze road texture. This has proven to be a very reliable tool for detecting and locating real changes in the geometry of road surfaces. The results of multifractal analysis were used to confirm the stochastic nature of the one-dimensional signal, and the assumption that the two-dimensional signal belongs to a similar family of random / pseudorandom time series. The new risk prediction algorithm proposed in this dissertation is based on processing and analyzing a two-dimensional signal. Image processing and analysis were tested by comparing four texture extraction methods: Gabor transform, wavelet transform, gray level co-occurrence matrix and edge histogram descriptor. Of all the above methods, the Gabor transform produced the best results. Texture feature vector extraction, followed by statistical algorithms to measure feature vector similarity and reference vector selection, led to the classification of the image texture. The algorithm itself has been upgraded by incorporating simultaneous surface temperature measurements to create and validate the final classification of fine surface textures. The road was classified into high, medium and low level risk areas according to skid hazard, which enabled the formation of a map of risk zones. The algorithm for risk prediction was validated on the basis of traffic accidents which occurred over three successive years on the same section of road, information for which was obtained from the database of the Road Traffic Safety Agency of Serbia.The algorithm that has been developed enables risk assessment mapping of dangerous locations. In this way, potential traffic accident sites due to vehicle skidding can be flagged. It could be used as a support for navigation or for autonomous driving. The entire procedure could be improved and updated by integrating real time responses through the global network (Internet of Vehicles - IoV), to become an integral part of so-called smart cities. The approach to road surface analysis described in this research paper could potentially be applied to the precise and objective classification and categorization of the entire road surface infrastructure. Road safety could be increased, with particular emphasis on solving the risk prediction problems for decision making for autonomous driving.