چگونه بینایی دوربین آسیب سطح جاده را تشخیص می‌دهد: از تشخیص غیرفعال تا پیش‌بینی فعال

ساخته شده در 01.09

آسیب‌های سطح جاده - مانند چاله، ترک و شیار - نه تنها ایمنی رانندگی را به خطر می‌اندازد، بلکه هزینه‌های نگهداری قابل توجهی را بر دولت‌ها و ادارات حمل و نقل در سراسر جهان تحمیل می‌کند. بر اساس گزارش انجمن مهندسان عمران آمریکا (ASCE)، ایالات متحده به تنهایی تا سال ۲۰۳۰ به ۴۳۵ میلیارد دلار برای تعمیر و ارتقاء زیرساخت‌های جاده‌ای خود نیاز خواهد داشت. روش‌های سنتی بازرسی جاده، که به گشت‌های دستی یا وسایل نقلیه تخصصی گران‌قیمت متکی هستند، ناکارآمد، زمان‌بر و مستعد خطای انسانی هستند. در سال‌های اخیر،بینایی دوربینفناوری، با بهره‌گیری از هوش مصنوعی (AI) و یادگیری ماشین (ML)، به عنوان یک عامل تحول‌آفرین در تشخیص خرابی جاده‌ها ظهور کرده است. برخلاف روش‌های سنتی که صرفاً "آسیب‌های موجود را پیدا می‌کنند"، سیستم‌های مدرن بینایی دوربین در حال تکامل به سمت "پیش‌بینی آسیب‌های بالقوه" هستند و نحوه نگهداری زیرساخت‌های جاده‌ای را متحول می‌کنند. این مقاله به اصول کاری، پیشرفت‌های فناورانه، کاربردهای عملی و روندهای آینده بینایی دوربین در تشخیص خرابی سطح جاده‌ها خواهد پرداخت.

1. منطق اصلی: چگونه بینایی دوربین "آسیب‌های جاده" را "می‌بیند"

در اصل، تشخیص آسیب جاده مبتنی بر بینایی دوربین یک فرآیند تبدیل اطلاعات بصری به داده‌های قابل اقدام از طریق سه مرحله کلیدی است: دریافت تصویر، استخراج ویژگی و طبقه‌بندی آسیب. آنچه آن را از بینایی انسانی متمایز می‌کند، توانایی شناسایی نشانه‌های آسیب ظریف و غیرقابل درک و پردازش حجم عظیمی از داده‌ها به طور عینی و کارآمد است.

1.1 دریافت تصویر: ضبط داده‌های واضح جاده در محیط‌های متنوع

اولین گام در تشخیص، دستیابی به تصاویر با کیفیت بالا از جاده است که به سخت‌افزار پیشرفته دوربین و راه‌حل‌های استقرار انعطاف‌پذیر متکی است. برخلاف دوربین‌های ثابت اولیه با پوشش محدود، سیستم‌های مدرن از انواع مختلف دوربین‌ها برای انطباق با سناریوهای مختلف استفاده می‌کنند:

دوربین‌های روی خودرو: این دوربین‌ها که بر روی خودروهای گشت معمولی، تاکسی‌ها یا حتی وسایل حمل و نقل عمومی نصب می‌شوند، در حین حرکت خودرو، تصاویر جاده را به صورت بلادرنگ ثبت می‌کنند. این دوربین‌ها که مجهز به سنسورهای با وضوح بالا (معمولاً 4K یا بالاتر) و فناوری ضد لرزش هستند، می‌توانند حتی در سرعت‌های 60 تا 80 کیلومتر بر ساعت، وضوح تصویر را حفظ کنند.

• پهپادها: وسایل نقلیه هوایی بدون سرنشین (UAV) با دوربین‌های زاویه بالا برای بازرسی بخش‌های وسیعی از جاده، مانند بزرگراه‌ها یا جاده‌های روستایی استفاده می‌شوند. آنها می‌توانند به سرعت مناطق دور از دسترس (مانند جاده‌های کوهستانی) را پوشش دهند و نمای پانورامیکی از وضعیت جاده ارائه دهند و به تشخیص آسیب‌های در مقیاس بزرگ مانند فرونشست جاده کمک کنند.

• دوربین‌های نظارتی ثابت: این دوربین‌ها که در مکان‌های کلیدی (مانند تقاطع‌ها، تونل‌ها یا پل‌ها) مستقر شده‌اند، شرایط جاده را به طور مداوم نظارت می‌کنند. این دوربین‌ها به ویژه در تشخیص خسارات ناشی از رویدادهای ناگهانی، مانند باران شدید یا برخورد وسایل نقلیه، مؤثر هستند.

یکی از چالش‌های حیاتی در تصویربرداری، مقابله با شرایط محیطی نامساعد مانند نور کم (شب)، باران، مه یا نور شدید خورشید است. برای غلبه بر این مشکل، سیستم‌های دوربین مدرن فناوری نوردهی تطبیقی و الگوریتم‌های بهبود تصویر را ادغام می‌کنند. به عنوان مثال، دوربین‌های دید در شب از سنسورهای مادون قرمز برای تکمیل نور استفاده می‌کنند، در حالی که پیش‌پردازش تصویر مبتنی بر هوش مصنوعی می‌تواند نویز ناشی از باران یا مه را فیلتر کند و اطمینان حاصل کند که تحلیل‌های بعدی بر اساس داده‌های قابل اعتماد انجام می‌شود.

1.2 استخراج ویژگی: هوش مصنوعی "امضاهای آسیب" را شناسایی می‌کند

هنگامی که تصاویر با کیفیت بالا به دست آمدند، سیستم نیاز دارد تا ویژگی‌های منحصر به فردی را استخراج کند که آسیب‌های جاده را از سطوح عادی جاده متمایز می‌سازد. اینجاست که یادگیری ماشین، به ویژه یادگیری عمیق، نقش محوری ایفا می‌کند. روش‌های پردازش تصویر سنتی به طراحی دستی ویژگی‌ها (مانند تشخیص لبه، تحلیل بافت) متکی بودند که در انطباق با تنوع آسیب‌های جاده (مانند چاله‌هایی با اندازه‌های مختلف، انواع مختلف ترک‌ها) با مشکل مواجه بودند. در مقابل، یادگیری عمیق به سیستم اجازه می‌دهد تا به طور خودکار "امضاهای آسیب" را از مجموعه داده‌های بزرگ تصاویر برچسب‌گذاری شده بیاموزد.

شبکه‌های عصبی کانولوشنال (CNNs) پرکاربردترین الگوریتم برای این مرحله هستند. یک CNN از چندین لایه کانولوشنال تشکیل شده است که می‌توانند به طور خودکار ویژگی‌های سطح پایین (مانند لبه‌ها، بافت‌ها) و ویژگی‌های سطح بالا (مانند شکل چاله، الگوی ترک) را در تصاویر تشخیص دهند. به عنوان مثال، هنگام پردازش تصویر یک چاله، اولین لایه کانولوشنال لبه‌های ناحیه تاریک درون چاله را شناسایی می‌کند، در حالی که لایه‌های بعدی این لبه‌ها را برای تشکیل شکل چاله ترکیب می‌کنند و آن را از سایر نواحی تاریک (مانند سایه‌ها) متمایز می‌سازند.

برای بهبود دقت استخراج ویژگی، محققان مدل‌های بهبود یافته CNN را توسعه داده‌اند، مانند Faster R-CNN و YOLO (شما فقط یک بار نگاه می‌کنید). به‌ویژه YOLO به دلیل پردازش کل تصویر در یک بار، به جای تقسیم آن به چندین ناحیه، برای تشخیص در زمان واقعی مورد پسند است. این امکان را فراهم می‌کند که آسیب‌های جاده‌ای را در عرض میلی‌ثانیه شناسایی کند و آن را برای سیستم‌های بازرسی در زمان واقعی مناسب می‌سازد.

1.3 طبقه‌بندی آسیب: دسته‌بندی و کمیت‌سازی آسیب

پس از استخراج ویژگی‌ها، سیستم آسیب را طبقه‌بندی کرده و شدت آن را کمیت‌سازی می‌کند—اطلاعات کلیدی برای تصمیم‌گیری‌های نگهداری. انواع رایج آسیب‌های جاده‌ای شامل:

چاله‌ها: فرورفتگی‌هایی در سطح جاده که ناشی از نفوذ آب و بارگذاری مکرر وسایل نقلیه است.

ترک‌ها: به ترک‌های عرضی (عمود بر جهت ترافیک) و ترک‌های طولی (موازی با ترافیک) تقسیم می‌شوند که ناشی از انبساط و انقباض حرارتی یا خستگی ساختاری هستند.

شیارها: شیارهایی که به دلیل تغییر شکل آسفالت تحت دماهای بالا و فشار مکرر وسایل نقلیه ایجاد می‌شوند.

۱. لغزش: از دست دادن مواد سطح جاده که منجر به کاهش اصطکاک می‌شود.

سیستم از ویژگی‌های استخراج شده برای طبقه‌بندی نوع آسیب استفاده می‌کند و سپس شاخص‌هایی مانند اندازه (به عنوان مثال، قطر چاله، طول ترک)، عمق (برای چاله‌ها) و عرض (برای ترک‌ها) را کمی‌سازی می‌کند. این کمی‌سازی بر اساس پارامترهای از پیش کالیبره شده دوربین انجام می‌شود - به عنوان مثال، فاصله بین دوربین و سطح جاده، و فاصله کانونی لنز - که به سیستم اجازه می‌دهد مقادیر پیکسل در تصویر را به ابعاد فیزیکی واقعی تبدیل کند.

به عنوان مثال، اگر دوربینی در ارتفاع ۲ متری از جاده با فاصله کانونی ۵۰ میلی‌متر نصب شده باشد، می‌توان محاسبه کرد که یک چاله که ۱۰۰ پیکسل از تصویر را اشغال می‌کند، قطری واقعی برابر با ۳۰ سانتی‌متر دارد. این داده‌های کمی به بخش‌های حمل و نقل در اولویت‌بندی تعمیرات کمک می‌کند: چاله‌ای با قطر بیش از ۵۰ سانتی‌متر یا ترکی با طول بیش از ۱۰ متر به عنوان یک مورد تعمیر با اولویت بالا علامت‌گذاری می‌شود.

۲. پیشرفت‌های فناورانه: از تشخیص غیرفعال تا پیش‌بینی فعال

مرحله اولیه تشخیص آسیب جاده با استفاده از بینایی ماشین بر «تشخیص غیرفعال» تمرکز داشت، یعنی شناسایی آسیب‌های موجود. با این حال، با پیشرفت در هوش مصنوعی و کلان داده‌ها، این فناوری به دو پیشرفت کلیدی دست یافته و به سمت «پیش‌بینی فعال» آسیب‌های احتمالی جاده حرکت کرده است.

۲.۱ پیشرفت ۱: ادغام داده‌های زمانی-مکانی برای تحلیل روند آسیب

سیستم‌های سنتی یک تصویر یا دسته‌ای از تصاویر را تحلیل می‌کنند که تنها می‌تواند وضعیت فعلی جاده را منعکس کند. در مقابل، سیستم‌های مدرن داده‌های زمانی و مکانی را برای تحلیل روند تکاملی آسیب‌های جاده ادغام می‌کنند. به عنوان مثال، با مقایسه تصاویری از یک بخش جاده که توسط دوربین‌های نصب شده بر روی خودرو در زمان‌های مختلف (مثلاً ماهانه یا فصلی) گرفته شده‌اند، سیستم می‌تواند نرخ رشد ترک‌ها (مثلاً گسترش 2 متر در ماه) یا سرعت گسترش چاله‌ها را محاسبه کند.

این همجوشی داده‌های زمانی با داده‌های مکانی مانند حجم ترافیک، انواع وسایل نقلیه (مانند کامیون‌های سنگین در مقابل خودروهای سواری) و شرایط آب و هوایی محلی (مانند بارندگی، نوسانات دما) ترکیب می‌شود. سپس مدل‌های یادگیری ماشین می‌توانند همبستگی بین این عوامل و آسیب جاده را شناسایی کنند. به عنوان مثال، یک بخش جاده با ترافیک سنگین کامیون و بارندگی مکرر ممکن است ۳۰ درصد بیشتر از سایر بخش‌ها در معرض خطر تشکیل چاله باشد. این امر به ادارات حمل و نقل امکان می‌دهد تا پیش‌بینی کنند کدام بخش‌ها در ۳ تا ۶ ماه آینده احتمالاً دچار آسیب می‌شوند و اقدامات پیشگیرانه (مانند پر کردن ترک‌ها قبل از گسترش آنها) را انجام دهند، به جای اینکه منتظر وقوع آسیب بمانند.

2.2 پیشرفت 2: محاسبات لبه برای تصمیم‌گیری در زمان واقعی

سیستم‌های اولیه بینایی دوربین برای پردازش تصویر به محاسبات ابری متکی بودند - دوربین‌ها تصاویر ثبت شده را برای تحلیل به یک سرور راه دور آپلود می‌کردند که به دلیل محدودیت‌های پهنای باند شبکه، باعث تأخیر (معمولاً چندین ساعت تا چند روز) می‌شد. این امر پاسخ‌دهی در زمان واقعی را غیرممکن می‌کرد، مانند هشدار دادن به رانندگان در مورد چاله‌های ناگهانی در جاده.

محاسبات لبه (Edge computing) این مشکل را با انتقال پردازش داده از ابر به لبه شبکه (مانند کامپیوترهای روی خودرو، سرورهای محلی نزدیک بخش‌های جاده) حل کرده است. سیستم‌های دوربین روی خودرو مجهز به ماژول‌های محاسبات لبه می‌توانند تصاویر را در زمان واقعی (ظرف ۱۰۰ میلی‌ثانیه) پردازش کرده و هشدارها را مستقیماً از طریق سیستم اطلاعات سرگرمی خودرو به رانندگان ارسال کنند (مانند یک پیام صوتی: "چاله در جلو، لطفاً سرعت خود را کم کنید"). علاوه بر این، محاسبات لبه حجم داده‌های آپلود شده به ابر را کاهش می‌دهد (فقط داده‌های پردازش شده آسیب را به جای تصاویر خام منتقل می‌کند)، که باعث صرفه‌جویی در پهنای باند شبکه و افزایش امنیت داده‌ها می‌شود.

3. کاربردهای عملی: تحول در نگهداری جاده در سراسر جهان

فناوری بینایی دوربین به طور گسترده در پروژه‌های نگهداری جاده در سراسر جهان به کار گرفته شده است و بهبودهای قابل توجهی در بهره‌وری و صرفه‌جویی در هزینه نشان داده است. در زیر سه مطالعه موردی معمول آورده شده است:

3.1 مورد 1: سیستم بازرسی هوشمند جاده توکیو

دولت کلان‌شهر توکیو در سال ۲۰۲۲ یک سیستم هوشمند بازرسی جاده راه‌اندازی کرد که با استفاده از دوربین‌های نصب شده بر روی ۵۰۰ وسیله نقلیه حمل‌ونقل عمومی (اتوبوس و مترو) برای جمع‌آوری تصاویر جاده استفاده می‌کند. این سیستم از الگوریتم‌های YOLO و محاسبات لبه (edge computing) برای تشخیص لحظه‌ای چاله‌ها و ترک‌ها استفاده می‌کند. تا پایان سال ۲۰۲۳، این سیستم بیش از ۱۲۰۰۰ نقطه آسیب جاده‌ای را شناسایی کرده و زمان مورد نیاز برای بازرسی‌های دستی را ۷۰% کاهش داده است. علاوه بر این، با تجزیه و تحلیل روند رشد آسیب‌ها، دولت توانست تعمیرات را برای ۳۰ بخش جاده‌ای با ریسک بالا اولویت‌بندی کند و تصادفات رانندگی ناشی از آسیب جاده‌ای را ۲۵% کاهش دهد.

3.2 مورد 2: بازرسی بزرگراه مبتنی بر پهپاد در آلمان

وزارت حمل و نقل فدرال آلمان از پهپادهای مجهز به دوربین‌های با وضوح بالا و فناوری تصویربرداری حرارتی برای بازرسی بزرگراه‌ها استفاده می‌کند. تصویربرداری حرارتی به تشخیص آسیب‌های پنهان، مانند ترک‌های داخلی سطح جاده که با چشم غیرمسلح قابل مشاهده نیستند، کمک می‌کند. این پهپادها می‌توانند روزانه ۱۰۰ کیلومتر بزرگراه را پوشش دهند که پنج برابر سریع‌تر از گشت‌های دستی است. در پروژه‌ای در سال ۲۰۲۳ در بزرگراه A7، سیستم پهپادی ۴۵ نقطه فرونشست پنهان را کشف کرد که به سرعت برای جلوگیری از فروپاشی احتمالی جاده تعمیر شدند. در مقایسه با روش‌های سنتی، این پروژه حدود ۲ میلیون یورو در هزینه‌های نگهداری برای دولت صرفه‌جویی کرد.

3.3 مورد 3: تشخیص مشترک با وسایل نقلیه خودران در ایالات متحده.

چندین ایالت آمریکا، از جمله کالیفرنیا و تگزاس، با شرکت‌های خودروهای خودران (AV) برای استفاده از دوربین‌های نصب شده بر روی این خودروها جهت تشخیص آسیب‌های جاده‌ای همکاری می‌کنند. خودروهای خودران مجهز به چندین دوربین (جلو، عقب و جانبی) هستند که به طور مداوم تصاویر جاده‌ای با دقت بالا را ثبت می‌کنند. این داده‌ها با ادارات حمل و نقل به اشتراک گذاشته می‌شود که از مدل‌های هوش مصنوعی برای تجزیه و تحلیل آسیب‌ها استفاده می‌کنند. این مدل همکاری از تعداد زیاد خودروهای خودران در جاده‌ها برای دستیابی به بازرسی‌های جاده‌ای با پوشش کامل و بدون هزینه‌های اضافی برای خودروهای گشتی اختصاصی بهره می‌برد. در کالیفرنیا، این سیستم فرکانس بازرسی‌های جاده‌ای را از یک بار در هر شش ماه به یک بار در هر دو هفته افزایش داده است و به طور قابل توجهی به به‌هنگام بودن تشخیص آسیب‌ها کمک می‌کند.

4. روندهای آینده: هوشمندتر و ایمن‌تر کردن جاده‌ها

با ادامه تکامل فناوری بینایی دوربین، این فناوری نقش فزاینده‌ای در آینده حمل و نقل هوشمند ایفا خواهد کرد. در زیر چهار روند کلیدی برای نظارت آورده شده است:

۴.۱ ادغام چند حسگر برای دقت بالاتر

سیستم‌های بینایی دوربین آینده با سنسورهای دیگر مانند لایدار (تشخیص و فاصله‌یابی نور) و رادار ادغام خواهند شد تا دقت تشخیص را بهبود بخشند. لایدار می‌تواند اطلاعات عمق سه‌بعدی از سطح جاده را فراهم کند و اندازه‌گیری دقیق‌تر عمق چاله‌ها و ارتفاع شیارها را تسهیل نماید. از سوی دیگر، رادار می‌تواند باران، مه و برف را نفوذ کند و در شرایط آب و هوایی نامساعد، مکمل بینایی دوربین باشد. ادغام داده‌های چند سنسوری، تشخیص آسیب‌های جاده را قابل اعتمادتر و قوی‌تر خواهد کرد.

۴.۲ ادغام با اکوسیستم‌های شهر هوشمند

داده‌های تشخیص خرابی جاده در اکوسیستم‌های شهر هوشمند ادغام خواهند شد و با سایر سیستم‌ها مانند مدیریت ترافیک، حمل و نقل عمومی و خدمات اضطراری ارتباط برقرار می‌کنند. به عنوان مثال، در صورت تشخیص یک چاله بزرگ در جاده‌ای پرتردد، سیستم می‌تواند به طور خودکار بخش مدیریت ترافیک را برای صدور هشدار ترافیکی مطلع کند، وسایل نقلیه حمل و نقل عمومی را به انحراف مسیر هدایت کند و تیم‌های نگهداری را در زمان واقعی اعزام کند. این ادغام یکپارچه، کارایی عملیاتی کلی شهر را بهبود بخشیده و تجربه سفر ساکنان را ارتقا خواهد داد.

۴.۳ بهینه‌سازی مدل هوش مصنوعی برای دستگاه‌های با منابع کم

محققان در حال کار بر روی بهینه‌سازی مدل‌های هوش مصنوعی برای عملکرد کارآمد در دستگاه‌های با منابع کم، مانند دوربین‌های کم‌هزینه و ماژول‌های کوچک محاسبات لبه هستند. این کار هزینه استقرار سیستم‌های بینایی دوربین را کاهش می‌دهد و آن‌ها را برای شهرهای کوچک و مناطق روستایی با بودجه محدود قابل دسترس می‌سازد. به عنوان مثال، یک مدل سبک YOLO با پارامترهای کاهش‌یافته می‌تواند بر روی یک ماژول محاسبات لبه ۵۰ دلاری اجرا شود و به مناطق روستایی این امکان را می‌دهد که بدون سرمایه‌گذاری‌های قابل توجه، تشخیص آسیب‌های جاده‌ای پایه را پیاده‌سازی کنند.

۴.۴ نگهداری پیش‌بینی‌شده با دوقلوهای دیجیتال

فناوری دوقلوی دیجیتال - ایجاد یک نسخه مجازی از یک جاده فیزیکی - با دید دوربین ترکیب خواهد شد تا به نگهداری پیش‌بینانه دقیق‌تری دست یابد. این سیستم دوقلوی دیجیتال را به طور مداوم با داده‌های آسیب جاده در زمان واقعی به‌روزرسانی می‌کند و از الگوریتم‌های شبیه‌سازی برای پیش‌بینی چگونگی تکامل آسیب تحت شرایط مختلف ترافیکی و آب و هوایی استفاده خواهد کرد. این امر به ادارات حمل و نقل اجازه می‌دهد تا برنامه‌های نگهداری شخصی‌سازی شده برای هر بخش از جاده توسعه دهند، طول عمر زیرساخت جاده را به حداکثر برسانند و هزینه‌های نگهداری را به حداقل برسانند.

5. نتیجه‌گیری: بینایی دوربین - سنگ بنای نگهداری هوشمند جاده

فناوری بینایی دوربین به طور قابل توجهی از تشخیص غیرفعال آسیب به پیش‌بینی فعال پیشرفت کرده است و نگهداری جاده را از یک فرآیند واکنشی به یک فرآیند پیشگیرانه تبدیل کرده است. با استفاده از دوربین‌های پیشرفته، الگوریتم‌های هوش مصنوعی و محاسبات لبه، تشخیص کارآمد، دقیق و بی‌درنگ آسیب جاده را امکان‌پذیر می‌سازد و به دپارتمان‌های حمل‌ونقل کمک می‌کند تا هزینه‌ها را کاهش دهند، ایمنی را بهبود بخشند و طول عمر زیرساخت‌های جاده را افزایش دهند.

با تکامل مداوم فناوری از طریق ادغام چند حسگر، یکپارچه‌سازی شهرهای هوشمند و فناوری دوقلوی دیجیتال، این فناوری به ستون فقرات حیاتی‌تر نگهداری هوشمند جاده‌ها تبدیل خواهد شد. در آینده، به لطف قدرت دید دوربین، می‌توانیم انتظار شبکه‌های جاده‌ای ایمن‌تر، قابل اطمینان‌تر و پایدارتری داشته باشیم. چه یک متخصص حمل و نقل باشید، چه یک برنامه‌ریز شهرهای هوشمند، یا صرفاً راننده‌ای که نگران ایمنی جاده‌ها هستید، درک چگونگی تشخیص آسیب‌های سطح جاده توسط دید دوربین، کلید پذیرش آینده حمل و نقل هوشمند است.

اگر به دنبال پیاده‌سازی تشخیص آسیب جاده مبتنی بر بینایی دوربین در منطقه خود هستید، عواملی مانند سناریوی استقرار خاص (جاده‌های شهری، بزرگراه‌ها، جاده‌های روستایی)، شرایط محیطی و بودجه را در نظر بگیرید. همکاری با ارائه‌دهندگان فناوری باتجربه می‌تواند به شما در طراحی یک راه‌حل سفارشی که نیازهای شما را برآورده کند و نتایج بهینه را ارائه دهد، کمک کند.

بینایی دوربین، تشخیص آسیب جاده، چاله، ترک، شیار

تماس

اطلاعات خود را وارد کنید و ما با شما تماس خواهیم گرفت.

درباره ما

محصولات

درباره ما

پشتیبانی

+8618520876676

+8613603070842

اخبار

leo@aiusbcam.com

vicky@aiusbcam.com

WeChat