Группа компаний «Современные дорожные технологи» (ГК «СДТ») более 30-ти лет занимается выпуском комплексных передвижных диагностических лабораторий (далее ПДЛ), разработкой программного обеспечения для задач дорожной отрасли и инжиниринговыми видами обследования, включая диагностику дорог. Передвижные лаборатории ГК «СДТ» занесены в государственный реестр средств измерений России и Республики Казахстан под названием «Трасса-2».
Транспортно-эксплуатационное состояние автодорог в Российской Федерации характеризует комплекс из 20-ти её параметров и характеристик: ширина проезжей части, элементы плана и профиля, ровность по международному индексу IRI, прочность, сцепление, колейность, интенсивность движения и состав транспортного потока, дефекты дорожной одежды и другие характеристики.
Камеральная обработка результатов полевых обследований и их загрузка в банки дорожных данных производителями передвижных лабораторий сведена практически к минимуму, и больше направлена на проверку целостности измерительных файлов и выявление ошибок, связанных, как правило, с квалификационными навыками экипажей ПДЛ.
Исключением является оценка состояния автомобильных дорог по дефектам. Данная оценка заключается в фиксации видимых на покрытии дефектов и их объёмов. Для этого во всем мире применяют либо автоматизированный, либо визуальный метод обследования.
Визуальный метод оценки состояния дорог по дефектам включает осмотр и обследование состояния дороги и дорожных сооружений специально подготовленными высококвалифицированными специалистами. Различают два основных способа визуальной оценки:
- Первый способ: инженер-дорожник или группа специалистов проходят пешком или проезжают на автомобиле с малой скоростью и остановками в местах дефектов весь участок дороги, осматривают состояние покрытия, проводят простейшие измерения, фотосъемку, заносят всю информацию в бумажный или электронный журнал, диктофон, компьютер и др. При этом координаты места нахождения дефектов, деформаций и разрушений определяют в привязке к километровым столбам;
- Второй способ: устанавливают видеокамеру для съемки автомобильной дороги, как правило на крыше кузова автомобиля или в салоне под лобовое стекло, и из движущегося транспортного средства снимают весь участок дороги. Полученные кадры просматривают в камеральных условиях, отмечают и измеряют все дефекты, деформации и разрушения покрытия и дорожной одежды.
Когда мы говорим об обследовании нескольких тысяч километров сети автомобильных дорог, первый способ визуального осмотра, крайне трудоемок и мало эффективен.
Результаты, предоставляемые в органы управления автомобильными дорогами, полученные вторым способом визуальной оценки, по которым владелец дорог формирует краткосрочные и долгосрочные программы ремонтно-восстановительных мероприятий, очень зависят:
1) от качества съемки, насколько по кадру различимы все крупные и мелкие дефекты;
2) от квалификации специалиста, насколько он грамотно смог выявить, все присутствующие на покрытии дефекты, правильно их классифицировать и объединить в характерные участки. Нередки случаи, когда инжиниринговые компании искусственно укрупняют характерные участи, чтобы снизить трудозатраты на камеральную обработку, а Заказчик не всегда обладает необходимым штатом для проверки большого массива предоставляемой информации.
Все перечисленные недостатки визуальных методов, полностью исключает подход оцифровки дефектов покрытия дороги, который также рекомендован действующими нормативными документами.
На этапе разработки измерительной системы по дефектовке покрытия дорог специалисты ГК «СДТ» провели практические эксперименты с множеством камер разных производителей, после чего для решения этих задач свои лаборатории Группа компаний оснащает высокоскоростными линейными камерами с разрешающей способностью более 4 тысяч пикселей в одном поперечнике. Установка такой камеры на специальной балке в задней части лаборатории направлена непосредственно на вертикальную съемку покрытия автомобильной дороги. Высота установки камеры обеспечивает полный захват полосы движения (от 3,75 до 4-х метров) и возможность получения высокоточной детализированной картинки покрытия, где видны нитевидные трещины и другие мелкие дефекты, которые не всегда возможно определить даже визуально непосредственно на дороге.
При оцифровке дефектов покрытия задача инженера-дорожника заключается в оконтуривании по видеокадрам дефектов, встречающихся на обследуемом участке (выбоины, проломы, трещины и др.), а классификацию по их видам, объединение в характерные участки, определение бальной оценки состояния дорожной одежды решают математические алгоритмы и программные функции. Бесспорно такой подход обеспечивает высокую надежность и качество получаемого материала, но не все Заказчики и Подрядчики готовы на него перейти из-за высокой трудоемкости камеральных работ. Скорость обработки дефектов при таком подходе, даже при работе высококвалифицированного специалиста, не всегда превышает 10 километров в день одной полосы движения. Одним из очевидных решений сложившейся ситуации является переход на технологии и программные продукты, позволяющие осуществлять оцифровку дефектов покрытия в автоматическом режиме.
Идея о разработке функции автоматического распознавания дефектов на базе выпускаемых диагностических лабораторий «Трасса-2» в Группе компаний «СДТ» возникла ещё в начале 2000-х годов. В алгоритме первой версии программы использовался метод распознавания контуров образов на кадре с последующей их классификацией по типам дефектов. Несмотря на то, что данный алгоритм показывал хорошие результаты и был одним из передовых продуктов того времени, все же имел существенные недостатки. К примеру, программа не видела отличий между картами заделанных и не заделанных выбоин, раскрытыми и залитыми трещинами, так как контуры образов этих дефектов графически одинаковы. Наблюдались частые ложные срабатывания на тени от дорожных объектов, битумных пятнах, различного мусора, мокрых зонах на покрытии и т.п.
В конце XX века в дорожной отрасли стали появляться программные решения, основанные на технологии машинного зрения, включая автоматическое распознавание дефектов. Проанализировав готовые отечественные и зарубежные программы, которые были и есть по сегодняшний день на рынке, специалисты ГК «СДТ» пришли к выводу, что ни одна из них в полной мере не подходит для задач диагностики автомобильных дорог. Многие из них способны определять выбоины и трещины на дорожном полотне и с достаточно хорошей точностью, но не способны их классифицировать, как этого требуют действующие российские нормативные документы. К примеру, разграничить продольные и поперечные трещины, разделить трещины на центральные продольные и центральные боковые, не во всех готовых решениях есть алгоритмы объединения продольных и поперечных трещин в сетку трещин с крупными и мелкими ячейками. Многие из рассматриваемых библиотек не позволяют отличить залитые трещины от обычных трещин, выбоины от карт заделанных выбоин, разделить выбоины на одиночные, редкие, частые и т.д. Не говоря уже о таких дефектах, как просадки и проломы дорожной одежды, поперечные волны и сдвиги, которые зачастую не заложены в алгоритмах программных продуктов. Поэтому говорить о том, что искусственный интеллект способен полностью заменить инженера-дорожника в вопросе оценки состояния дорог по дефектам, пока ещё рано.
Любой специалист, занимающийся вопросами диагностики дорог, понимает на сколько важна такая детальная классификация. Виды дефектов существенно влияют на бальную оценку состояния покрытия автомобильной дороги. Получив не правильный балл, мы не сможем объективно назначить виды ремонтно-восстановительных мероприятий, а ведь здесь решается вопрос о рациональном использовании бюджетных средств.
В связи с вышесказанным, Группа компаний «СДТ» приняла решение о создании собственной библиотеки дефектов для обучения алгоритмов искусственного интеллекта и алгоритмов анализа дефектов, соответствующей классификатору для диагностики автомобильных дорог ОДМ 218.4.039-2018 и ГОСТ Р 50597-2017.
Для того, чтобы обучить нейронную сеть и получить приемлемые результаты распознавания, необходимо иметь внушительную обучающую выборку по каждому виду дефекта. За 2022-2024 годы силами более 30-ти сотрудников, задействованных на видеодефектовке дорожного покрытия, выполнена ручная оцифровка дефектов более 60 тысяч километров, в результате чего, нейронная сеть обучена более чем на 1,5 млн. образцах дефектов. С высокой точностью на сегодняшний день определяются все наиболее часто встречаемые на покрытии дефекты: все виды трещин, сеток трещин, выбоин и др.
Как показал наш практический опыт, для уверенного распознавания, на каждый дефект нужно иметь в библиотеке не менее 100 тысяч изображений. Но даже при наличии такого объёма данных, на практике все равно наблюдаются ложные срабатывания, и без экспертной проверки профильного специалиста пока не обойтись.
Для проверки автоматически распознанных дефектов в программном обеспечении реализована система верификации, которая позволяет вносить необходимые правки, если дефект был распознан неверно. Быстрая навигации по дефектам, редактирование свойств дефекта через контекстное меню, комбинации горячих клавиш при верификации дефектов и другие различные инструменты позволяют выполнить проверку наиболее оперативно.
Как показывает выше представленная таблица, силами одной, пусть и крупной в инжиниринговом направлении организации, набрать статистику для максимально точного распознавания по всей номенклатуре дефектов, необходимую для оценки состояния дорог, очень сложно, особенно таких, как: просадки, волны, сдвиги, проломы и другие дефекты, которые на дорогах встречаются редко. Хорошее состояние автомобильных дорог не может не радовать автолюбителей, но для разработчиков ПО создаёт существенные проблемы для обучения нейронных сетей по автораспознаванию дефектов. В связи с этим, программа по постобработке реализована таким образом, что в её обучении могут принимать участие все пользователи выпускаемых Группой компаний «СДТ» передвижных лабораторий последних модификаций.
Проверенные данные можно отправлять нажатием одной кнопки через интернет на сервер разработчика ПО. К сожалению, сразу использовать полученные от других организаций данные для обучения нейронных сетей невозможно, чтобы в обучающую выборку не попали ложные данные, требуется экспертная проверка и их дополнительная модерация. За этой работой в ГК «СДТ» закреплена группа специалистов с большим опытом в диагностике автомобильных дорог. Без подтверждения эксперта ни один отправленный в ГК «СДТ» кадр дефекта не войдёт в состав обучающей библиотеки.
Все оцифрованные дефекты автоматически переносятся в Банк дорожных данных «Титул Про», разработки Группы компаний «СДТ». При конвертировании передаётся не только информация о типах дефектах с их пикетажным положением и размерами, но и географическая привязка, фотоизображение дефекта и другая атрибутивная информация.
Программные алгоритмы Геоинформационной системы «Титул Про» группируют выявленные дефекты в характерные участки. Внутри каждого участка автоматически назначаются частные микроучастки с одинаковым состоянием дорожной одежды (с однотипными видами дефектов) и определяется средневзвешенный балл, который уже и характеризует транспортно-эксплуатационное состояние участка дороги.
По результатам дефектовки автоматически формируется «Ведомость дефектов и состояния дорожного покрытия» по полосам движения и направлениям автомобильной дороги. Она может быть сформирована, как в виде отдельного документа, так и в составе общего отчёта по диагностике (оценка ровности, колейности и коэффициента сцепления дорожного покрытия, прочности дорожной одежды, геометрических характеристик и другое).
Результаты могут быть представлены в виде графической картограммы дефектов и в виде тематического слоя на электронной карте.
Одним из следующих шагов по развитию данного направления специалисты Группы компаний видят в совмещении двух систем: линейных камер для видеодефектовки и профилометрических установок для измерения поперечного профиля, где по глубине в выявленных контурах можно было бы более точно идентифицировать дефекты, особенно по выбоинам и раскрытым трещинам на покрытии дорог, а главное автоматически определять объёмы требуемого материала для проведения ямочного ремонта.
Жилин М.Н. – Научный сотрудник ГК "СДТ" Жилин М.Н.