Sistema automático para la detección y clasificación de grietas en pavimentos

Abstract

Las carreteras son un tipo de elemento urbanístico utilizado por millones de personas a diario, y su estado en condiciones óptimas favorece la disminución de la tasa de accidentes de tráfico. El estado de la superficie del asfalto se ve alterado por un amplio abanico de defectos, y en concreto, las grietas cobran un interés especial debido a que su tratamiento en fases tempranas pueden suponer un ahorro en el coste de reparación y tratamiento del defecto en etapas posteriores, así como evitar la aparición de defectos derivados de ellas. Por este motivo, el mantenimiento de los pavimentos juega un papel fundamental tanto en la seguridad de los usuarios de este tipo de vías, como en términos económicos. Sin embargo, a pesar de la importancia que tiene, existen millones de kilómetros que necesitan ser inspeccionados, y esta labor se realiza en la mayoría de los casos de forma manual mediante la inspección visual supervisada por expertos, siendo una tarea ineficiente en el tiempo. Por ello, esta Tesis Doctoral presenta un sistema para la detección y clasificación automática de defectos de grietas en pavimentos. Para ello, se aplican métodos de procesamiento de imágenes a las capturas tomadas de la superficie de los asfaltos para la extracción de características y su posterior optimización y representación a un nuevo espacio de atributos interpretables por una persona. Posteriormente estas características son utilizadas por un ensemble de modelos compuesto por varios algoritmos de aprendizaje automático, para realizar la clasificación de las grietas en sus tipos más comunes: grietas de tipo malla o cocodrilo, grietas longitudinales y grietas transversales. De acuerdo con los experimentos realizados y los resultados obtenidos, el sistema tiene la capacidad de trabajar en sistemas computacionales de recursos limitados, siendo susceptible de emplearse con restricciones de tiempo real, además de proporcionar mejores resultados frente a las propuestas existentes en la literatura científica. Esto hace posible que el sistema se pueda colocar en diferentes vehículos no especializados para la recolección y clasificación de los defectos en el mismo lugar donde ocurren, aliviando así la tareas llevadas a cabo por los expertos.

Roads are a type of urban element used by millions of people every day, and the optimal surface condition contributes to the reduction of the rate of traffic accidents. The condition of the asphalt surface is affected by a wide range of defects, and particularly, cracks have a special interest because their treatment in early stages represent savings in the repairing costs. As this prevents the appearance of defects derived from them rather than treating the defects in later stages. For this reason, pavement maintenance is fundamental in economic terms and the safety of the users. Millions of kilometers need to be examined, however, this work is mostly done manually through visual inspection supervised by experts, which is a time inefficient task. For this reason, this Doctoral Thesis presents a system for the automatic detection and classification of cracking defects in pavements. For this purpose, image processing methods are applied to asphalt surface images extracting features of the cracks, reducing the number of features, and representing the cracks in a new interpretable space of attributes. These new attributes are used by an ensemble model composed of different automatic learning algorithms classifying the cracks into their most common types: mesh or alligator cracks, longitudinal cracks, and transverse cracks. According to the experiment results, the proposed system can work in computer systems with limited resources and could be used with real-time constraints. Also, the proposed methodology provides more accurate results compared to the existing proposals in the scientific literature. These features enable the system to be placed in non-specialized vehicles collecting and classifying the defects, in the same place where they occur, and simplifying the tasks carried out by experts.