Inteligentní analýza pozemních komunikací pomocí videozáznamů, zpracovaných umělou inteligencí.
Umělá neuronová síť je, zjednodušeně řečeno, počítačový algoritmus, který se svým chováním do jisté míry podobá biologickým strukturám a mimo jiné se vyznačuje schopností učit se na základě vzorových dat a rozšiřovat svou vlastní databázi „znalostí“.
Pro účely zmapování reálného stavu pozemních komunikací bude využita kamera s rozlišením 4K 60fps, umístěná na vozidla. Pomocí této kamery bude pořízen videozáznam pozemních komunikací v HD rozlišení.
Na získaném videopasportu pozemních komunikací budou označeny (tzv. otagovány) parametry, které mají být technologií zkoumány. Těmito parametry mohou být poruchy netuhých vozovek, jak je určují předpisy TP 62 a TP 82. Mimo jiné to mohou být tyto:
Ukázka detekované poruchy vozovky – oranžové zvýrazněno
Ukázka detekce VDZ a svodidel – VDZ zvýrazněno žlutě, svodidla modře
Pomocí představované technologie však nemusí být detekovány pouze uvedené poruchy vozovek. Reálně je možno detekovat řadu dalších parametrů, jako například:
A mnohé další.
Tímto procesem učení neuronové sítě je vytvořena databáze zájmových parametrů, které mají být zkoumány.
Po dokončení procesu učení je v úvodu získaný videomateriál zpracován algoritmem neuronové sítě, která porovná databázi zájmových parametrů právě s tímto videomateriálem a označí každý jednotlivý snímek, kde detekuje kterýkoli ze zjištěných parametrů. Následně algoritmus zapíše zjištěné detekované parametry do předem definované podoby.
Na samém konci procesu je report o detekovaných parametrech/defektech. Podoba výstupního reportu může být uživatelsky definovaná, přizpůsobená datové struktuře interních informačních systémů a mimo jiné může obsahovat tyto záznamy a položky:
A celou řadu dalších dle individuálních potřeb.
S výstupním reportem je pak možno pracovat několika způsoby:
A celou řadu dalších dle individuálních potřeb.
V porovnání s manuální či vizuální kontrolou videopasportů komunikací nabízí umělá inteligence podstatné zrychlení.
Po dokončení úvodního procesu učení je kontinuálně dosahována požadovaná přesnost. Umělá inteligence nedělá chyby.
Zejména při automatizovaném využití je prakticky eliminován lidský faktor, což opět zvyšuje rychlost i přesnost.
Po dokončení úvodního procesu učení neuronové sítě již není nutné tento proces opakovat. Při repetitivních aplikacích, např. při každoroční kontrole stavu komunikací, pak stačí pouze zpracovat aktuální videopasport komunikace s již naučeným algoritmem.
Podobně jako biologické struktury se i umělá neuronová síť učí a s každou aplikací roste. Nabízí se tedy obrovský potenciál – díky vlastnostem neuronové sítě je možno v budoucnu, na základě „získaných zkušeností“, vytvořit funkční aplikaci, která nebude pouze poukazovat na zjištěné vady a defekty, ale na straně jedné bude budovat obří databázi sledovaných parametrů či poruch a na straně druhé navrhovat jejich řešení, opravy, přidělování prací zhotovitelům, (polo)automatizované materiálové pohyby a mnohé další.
