Inteligentní analýza pozemních komunikací

Cílem představované technologie je praktické využití videozáznámů zpracovaných pomocí umělé inteligence, konkrétně neuronových sítí v oblasti analýzy pozemních komunikací, které má potenciál zautomatizovat celý proces za současné takřka 100% přesnosti.

Více informací
technologie

Technologie

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:

  • Výtluky
  • Vysprávky
  • Mozaikové trhliny
  • Úzké trhliny (podélné, příčné)
  • Široké trhliny (podélné, příčné)
  • Rozvětvené trhliny (podélné, příčné)
  • Olamování okrajů
  • Puchýře
  • Vyjeté koleje

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:

  • Šířka VDZ
  • Typ VDZ
  • Technologie VDZ
  • Chybějící nebo poškozené VDZ
  • Typ SDZ
  • Chybějící nebo poškozené SDZ
  • Chybějící svodidlový systém
  • Poškozený svodidlový systém
  • Zkorodovaný svodidlový systém
  • Typ kanalizačních vpustí

A mnohé další.

Tímto procesem učení neuronové sítě je vytvořena databáze zájmových parametrů, které mají být zkoumány.

POSTUP

Postup

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:

  • Fotografii defektu s grafickým zvýrazněním
  • Údaje o poloze defektu – GPS souřadnice nebo staničení
  • Údaje o velikosti defektu – např. rozměry výtluku, jeho plocha, apod.
  • Údaje o míře poškození – např. % zkorodovaného povrchu svodidel, počet výtluků na m2
  • Údaje o délce nebo šířce – např. šířka VDZ
  • Údaje o nesplnění předpisu – např. informace o vadné šířce VDZ, špatné technologii VDZ
  • Údaje o chybějícím objektu – např. VDZ, SDZ, svodidlo

A celou řadu dalších dle individuálních potřeb.

S výstupním reportem je pak možno pracovat několika způsoby:

  • Manuálně – report může sloužit jako podklad pro práci fundovaného pracovníka, který na jeho základě ručně zanese informaci o závadě do interního informačního systému
  • Komparativně – report může sloužit pro automatizovanou inventarizaci aktuální evidence závad: report bude strojově porovnán s aktuální evidencí závad a prověří tak, zda všechny aktuálně evidované závady jsou stále platné, neplatné či neúplné
  • Automatizovaně – report může být přes API automatizovaně přenášen do interních systémů, včetně mapových aplikací, kde automatizovaně vytvoření kartu závady a do ní uloží veškeré informace, potřebné k efektivnímu odstranění závady

A celou řadu dalších dle individuálních potřeb.

PŘEDNOSTI

Hlavní přednosti technologie

1.
Rychlost

V porovnání s manuální či vizuální kontrolou videopasportů komunikací nabízí umělá inteligence podstatné zrychlení.

2.
Přesnost

Po dokončení úvodního procesu učení je kontinuálně dosahována požadovaná přesnost. Umělá inteligence nedělá chyby.

3.
Eliminace lidského faktoru

Zejména při automatizovaném využití je prakticky eliminován lidský faktor, což opět zvyšuje rychlost i přesnost.

4.
Replikace

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.

5.
Snížení administrativní zátěže
6.
Úspora finančních prostředků
7.
Maximální míra relevance

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.

NAHORU