One of the most critical issues in pavement asset management is evaluating the
performance of the roads and highways. This crucial task is currently handled by
regular manual inspection in many countries, which is inaccurate and sometimes
dangerous. However, this inspection is processed automatically utilizing specifically
designed vehicles in some developed countries; many municipalities and road agencies
worldwide are still using manual methods due to the high expenses of purchasing and
maintaining specific vehicles. Due to the recent advancements in computer vision,
researchers and scholars use deep learning technology to enhance road inspection.
Some high-tech infrastructure cities benefit from this technology to handle various
infrastructural issues. Roads and pavements are no exception in this area. Currently,
some intelligent cities are using deep learning technology to evaluate road
performance. Pavement distress detection is one of the critical issues in this field.
Many researchers worldwide use deep learning technics, expressly object detection
algorithms, to automate road performance evaluation.
This study aims to provide a robust and reliable model for detecting and classifying
several types of pavement distresses with high accuracy. Road agencies and
municipalities could use this model to collect data on road sections conveniently and
affordably. In this case, authorities could monitor the pavement condition in short
intervals and make appropriate decisions on maintenance and rehabilitation strategies
and methods which could result in maintaining the performance of the pavement an
acceptable quality by lower costs.
This study developed a model to detect and classify pavement distresses on the surface
of the road utilizing state of the art deep learning algorithm (YOLOv5) as well as most
recent prominent optimization strategies such as data augmentation and
hyperparameter tuning to propose an accurate, robust, and reliable model. 628 topdown view pavement images used in this study were captured in several cities in the
U.S., including various distress types such as alligator cracking, longitudinal cracking,
transverse cracking, block cracking, patching, sealing, and manhole. The performance
of the proposed model is evaluated based on several criteria. The model's accuracy
reached 0.95, 0.92, and 0.93 in precision, recall, and F1 score, respectively.
ÖZ:
Üstyapı varlık yönetimindeki en kritik konulardan biri yolların ve otoyolların
performansının değerlendirilmesidir. Bu çok önemli görev, şu anda birçok ülkede
hatalı ve bazen tehlikeli olabilen insan gücü ile gerçekleştirilmektedir. Bu muayene
bazı gelişmiş ülkelerde özel olarak tasarlanmış araçlar kullanılarak otomatik olarak
işlenmesine rağmen, dünya çapında birçok belediye ve karayolu kurumu, belirli
araçların satın alınması ve bakımının yüksek maliyetleri nedeniyle hala insan gücü
kullanmaya devam etmektedir. Bilgisayarlı görü alanındaki son gelişmeler nedeniyle,
araştırmacılar ve akademisyenler, yol denetimini geliştirmek için derin öğrenme
teknolojisini kullanıyor. Bazı yüksek teknolojili altyapı şehirleri, çeşitli altyapı
sorunlarını ele almak için bu teknolojiden yararlanır. Yollar ve kaldırımlar bu alanda
bir istisna değildir. Şu anda bazı akıllı şehirler, yol performansını değerlendirmek için
derin öğrenme teknolojisini kullanıyor. Üstyapı tehlike tespiti bu alandaki kritik
konulardan biridir. Dünya çapında birçok araştırmacı, yol performans
değerlendirmesini otomatikleştirmek için derin öğrenme tekniklerini, özellikle nesne
algılama algoritmalarını kullanır.
Bu çalışma, çeşitli üstyapı bozulma tiplerini yüksek doğrulukla tespit etmek ve
sınıflandırmak için sağlam ve güvenilir bir model sağlamayı amaçlamaktadır. Yol
ajansları ve belediyeler, yol kesimleri hakkında uygun olan ve düşük maliyetli
yöntemlerle veri toplamak için bu modeli kullanabilir. Bu durumda yetkililer,
üstyapının durumunu kısa aralıklarla izleyebilir ve üstyapı performansının daha düşük
maliyetlerle kabul edilebilir bir kalitede sürdürülebilmesine yardımcı olacak bakım ve
iyileştirme stratejileri ve yöntemleri konusunda uygun kararlar verebilir.
Bu çalışma, son teknoloji derin öğrenme algoritmasını (YOLOv5) ve ayrıca veri
büyütme ve hiperparametre ayarlama gibi en son öne çıkan optimizasyon stratejilerini
kullanarak yol yüzeyindeki kaplama bozukluklarını tespit etmek ve sınıflandırmak için
doğru, sağlam ve güvenilir bir model geliştirdi. Bu çalışmada kullanılan, ABD’deki
çeşitli şehirlerden alınmış 628 yukarıdan aşağıya görünüm kaldırım resimleri timsah
sırtı çatlaması, boyuna çatlama, enine çatlama, blok çatlaması, yama, sızdırmazlık ve
menhol gibi çeşitli bozukluk türlerini aktarmaktadır. Önerilen modelin performansı
çeşitli kriterlere göre değerlendirildi. Modelin doğruluğu kesinlik, hatırlama ve F1
puanlarında sırasıyla 0.95, 0.92 ve 0.93'e ulaştı.
