Откриване на пукнатини с ИИ: Превръщане на ортофотоснимки в използваеми PCI резултати
Пукнатините в асфалта не остават малки за дълго. Когато 3 mm пукнатина срещне вода, гориво или хидравлична течност, тя бързо се разширява и отслабва структурата на настилката. Затова мениджърите на летища и магистрали често инспектират повърхностите и присвояват оценка по Индекс за състояние на настилката (PCI), която ръководи бюджетите за поддръжка. Доскоро процесът на оценяване включваше екипи на терен, клипбордове и много затваряния на ленти. Днес ортофотоснимки с висока резолюция от дронове плюс изкуствен интелект (AI) могат да предоставят същия PCI резултат – често с по-голяма точност – в рамките на един работен ден. Тази статия показва как работи работният процес, каква точност можете да очаквате и къде се вписва платформата HALO AI на Fadron.
От полетен план до ортофотоснимка
- Височина на полета и GSD. За да заснемете фини пукнатини, ви е необходимо разстояние на земната проба (GSD) от 1–3 mm на пиксел. 20 MP 1-инчов сензор, летящ на 8–10 m, обикновено постига тази цел. За широки рульожни пътеки или многолентови пътища можете да разделите зоната на припокриващи се блокове, вместо да летите по-високо.
- Припокриване. Най-малко 80 процента предно припокриване и 70 процента странично припокриване позволяват на фотограметричния софтуер да изгради ортомозайка без изкривявания. Модерните планировчици на мисии автоматизират тези настройки.
- Контрол и точност. Или Real-Time Kinematic (RTK) регистриране, или наземни контролни точки поддържат хоризонталната грешка под 2 cm. Прецизното подравняване е важно, защото векторите на пукнатините трябва да съответстват на историческите карти, когато измервате растежа през следващия сезон.
- Радиометрично качество. Летете при ясно и сухо време. Влажните петна маскират фините пукнатини, а ниското слънце причинява дълги сенки, които AI моделът може да третира като повреда. Дръжте камерата на ISO 100–200, за да намалите шума.
- Сглобяване. Софтуер като Agisoft Metashape, OpenDroneMap или облачният сглобител на Fadron HALO обединява стотици снимки в един GeoTIFF. Резултатът е истинска ортокарта, където всеки пиксел е в еднороден мащаб.
Какво всъщност прави AI двигателят
Само суровите пиксели не разкриват състоянието на настилката. AI модели, изградени върху конволюционни невронни мрежи, сканират ортофотоснимката плочка по плочка и класифицират всеки пиксел като пукнатина или фон. Най-често срещаната архитектура за тази задача е енкодер-декодер в стил U-Net, който запазва пространствените детайли, докато учи контекст. Данните за обучение обикновено включват хиляди изрязани изображения, етикетирани от строителни инженери, за да покрият:
- Надлъжни, напречни и блокови пукнатини.
- Етапи на „алигаторни“ пукнатини (A1, A2, A3).
- Закърпвания, дупки и счупвания на фуги между ленти.
По време на извода моделът извежда бинарна маска или набор от вектори. Модулите за последваща обработка обединяват къси сегменти, филтрират шум, по-малък от няколко пиксела, и измерват дължината, ширината и ориентацията на пукнатините. Класовете на тежест следват правилата на ASTM D5340 или D6433. Бройките се подават директно в матриците за повреди на PCI.
Типична точност на модела
| Източник | Прецизност | Обхват | F1 резултат | Входен GSD |
|---|---|---|---|---|
| FAA Tech Center (2023) | 0.97 | 0.95 | 0.96 | 2 mm |
| DGAC France (2022) | 0.95 | 0.94 | 0.95 | 1.8 mm |
| University of Texas (2024) | 0.96 | 0.94 | 0.95 | 1.5 mm |
Прецизността показва колко от откритите пиксели на пукнатини са правилни. Обхватът показва колко реални пиксели на пукнатини е открил моделът. Стойности над 0.90 означават много малко фалшиви аларми или пропуски.
Преобразуване на AI изходи в PCI
PCI е оценка от 0 до 100, получена от типа, тежестта и количеството на повредите. Автоматизиран процес изпълнява четири стъпки:
- Присвояване на зони. Разделете пистата или пътя на управленски секции (напр. 50 m на 50 m пробни единици).
- Преброяване на повреди. Сумирайте дължините и площите на пукнатините по секции и ги съпоставете с таблиците за тежест на ASTM.
- Стойност на приспадане. Всяка повреда генерира стойност на приспадане. Сумата от приспаданията, извадена от 100, дава суровия PCI.
- Коригиран PCI. Прилагайте правила за корекция, когато съществуват множество сериозни повреди. Изходът е таблица и топлинна карта, където зелено = добро, червено = критично.
Летище със среден хъб съобщи, че AI процесът е възпроизвел генерираните от хора PCI резултати в рамките на ±2 точки за 92 процента от неговите пробни единици – разлика, която е добре в рамките на допустимия от FAA диапазон на грешка.
Къде HALO AI добавя стойност
HALO AI е цялостният пакет за анализ на настилки на Fadron, който свързва цялата верига.
- Облачно сглобяване. Качете снимки директно от SD картата на дрона. HALO стартира паралелен фотограметричен двигател и доставя GeoTIFF за минути. Не е необходим локален GPU.
- Автоматичен контрол на качеството. Платформата открива замъглени или недоекспонирани кадри и ги маркира преди анализа, така че да избегнете пропускане на пукнатини.
- AI откриване на пукнатини. Най-новият модел на HALO съдържа 1.8 милиона етикетирани проби от летища, магистрали и паркинги. Той идентифицира 18 класа повреди и връща shapefiles или GeoJSON.
- Незабавен PCI. Вграден PCI калкулатор следва ASTM справочни таблици. Получавате резултати по секции, пълен доклад и CSV файл, готов за MicroPAVER или Stoneleigh PMS.
- API връзки. Инженерни фирми могат да извикват HALO REST API, за да изпращат резултати в своите BI табла или системи за управление на заявки за поддръжка.
Повечето потребители завършват заснемането сутрин и изтеглят подписан PDF доклад преди края на работния ден.
Спестяване на време и разходи
| Задача | Традиционен ръчен работен процес | Работен процес с дрон + HALO |
|---|---|---|
| Събиране на данни на терен (3 000 m писта) |
4 ч затваряне, 5 служители | 40 мин затваряне, 2 служители |
| Обработка на данни | 24 ч ръчна дигитализация | 3 ч автоматизирано |
| Писане на доклад | 4 ч инженерно време | Автоматично генериран |
Спестяванията идват от по-кратки затваряния, по-малко часове персонал и липса на ръчно проследяване. За дълги магистрални участъци съотношението е подобно: около 40 процента по-ниска цена на километър при равно или по-високо качество на данните.
Практически съвети за надеждни резултати
- Калибрирайте фокуса. Проверете първата полетна лента при 200 процента увеличение. Фините пукнатини трябва да са ясни.
- Наблюдавайте отражателната способност. Много новият асфалт може да бъде мазен и лъскав. Поляризиращ филтър намалява огледалния отблясък, който обърква детекторите на ръбове.
- Избягвайте сенки. Планирайте полети, когато слънцето е поне на 30 градуса над хоризонта или използвайте облачно покритие, за да разсеете светлината.
- Проверете за мокри петна. Ако части от повърхността са влажни, пренасрочете. Водата запълва малки пукнатини и AI ще ги пропусне.
- Валидирайте. Проверете на място 5 процента от пробните единици с ръчни измервания, за да изградите доверие и да спазите правилата за одит.
Бъдещи насоки
AI откриването на пукнатини надхвърля простата сегментация. Изследователски екипи обединяват термични слоеве, за да разкрият отлепване, предизвикано от влага, и LiDAR за измерване на дълбочината на коловозите до милиметър. Прогностични модели, обучени с многогодишни данни, скоро биха могли да прогнозират растежа на пукнатините и автоматично да препоръчват време за третиране. HALO AI вече съхранява времеви слоеве за всеки обект, така че потребителите могат да включват бъдещи прогностични модули, без да събират нови базови данни.
Заключение
Дронове, съчетани с AI, намаляват времето за инспекция от дни на часове и превръщат ортофотоснимките в PCI резултати, на които професионалистите могат да се доверят. GSD от 1–3 mm на пиксел е текущата оптимална точка, осигуряваща 95 процента или по-висока точност на откриване. С платформи като HALO AI на Fadron, които автоматизират сглобяването, картографирането на пукнатини и изчисленията на PCI, инженерните екипи могат да се съсредоточат върху планирането на ремонти, вместо да проследяват линии. Ранните потребители отчитат спестявания на разходи близо 50 процента и рязък спад в часовете за затваряне на писти или ленти – осезаеми ползи както за бюджета, така и за безопасността.
Източници
- FAA Технически център. Проучване за точността на инспекция на настилки с малки БЛА, 2023.
- DGAC France. Картографиране на повреди по писти с дронове, 2022.
- Texas Advanced Computing Center. Deep Crack: CNN за откриване на повреди в асфалт, 2024.
- ASTM D5340 и D6433 Стандартни практики за PCI проучвания, 2022.
- Halford, R. Резолюция на ортофотоснимки и прагове за откриване на пукнатини, Списание за транспортно инженерство, 2023.
