Wykrywanie pęknięć za pomocą AI: Przekształcanie ortofotografii w użyteczne wskaźniki PCI
Pęknięcia w asfalcie nie pozostają małe na długo. Kiedy szczelina o szerokości 3 mm styka się z wodą, paliwem lub płynem hydraulicznym, szybko się poszerza i osłabia strukturę nawierzchni. Zarządcy lotnisk i dróg często kontrolują nawierzchnie i przypisują im wskaźnik stanu nawierzchni (Pavement Condition Index, PCI), który jest podstawą planowania budżetów konserwacyjnych. Do niedawna proces oceny wymagał zespołów pieszych, notatników i wielu zamknięć pasów ruchu. Dziś wysokorozdzielcze ortofotografie z dronów w połączeniu ze sztuczną inteligencją (AI) mogą dostarczyć ten sam wynik PCI – często z większą dokładnością – w ciągu jednego dnia roboczego. Ten artykuł przedstawia, jak działa ten proces, jakiej dokładności można oczekiwać i jaką rolę odgrywa platforma HALO AI firmy Fadron.
Od planu lotu do ortofotografii
- Wysokość lotu i GSD. Aby uchwycić pęknięcia włoskowate, potrzebna jest odległość próbkowania terenu (GSD) wynosząca 1–3 mm na piksel. Czujnik 20 MP o przekątnej 1 cala, używany na wysokości 8–10 m, zazwyczaj spełnia ten wymóg. W przypadku szerokich dróg kołowania lub dróg wielopasmowych można podzielić obszar na zachodzące na siebie bloki zamiast latać wyżej.
- Pokrycie. Co najmniej 80-procentowe pokrycie wzdłużne i 70-procentowe pokrycie boczne pozwala oprogramowaniu fotogrametrycznemu na stworzenie ortomozaiki bez zniekształceń. Nowoczesne planery misji automatyzują te ustawienia.
- Kontrola i dokładność. Rejestracja Real-Time Kinematic (RTK) lub punkty kontrolne na ziemi utrzymują błąd poziomy poniżej 2 cm. Precyzyjne dopasowanie jest ważne, ponieważ wektory pęknięć muszą odpowiadać mapom historycznym podczas pomiaru ich wzrostu w następnym sezonie.
- Jakość radiometryczna. Lataj w jasną, suchą pogodę. Wilgotne miejsca maskują pęknięcia włoskowate, a niskie słońce powoduje długie cienie, które model AI może potraktować jako uszkodzenia. Utrzymuj czułość aparatu na poziomie ISO 100–200, aby zredukować szumy.
- Łączenie. Oprogramowanie takie jak Agisoft Metashape, OpenDroneMap lub chmurowy moduł łączenia Fadron HALO łączy setki zdjęć w jeden plik GeoTIFF. Wynikiem jest prawdziwa mapa ortofotograficzna, gdzie każdy piksel ma jednolitą skalę.
Co faktycznie robi silnik AI
Same surowe piksele nie ujawniają stanu nawierzchni. Modele AI zbudowane na konwolucyjnych sieciach neuronowych skanują ortofotografię kafel po kafelku i klasyfikują każdy piksel jako pęknięcie lub tło. Najczęstszą architekturą dla tego zadania jest koder-dekoder w stylu U-Net, który zachowuje szczegóły przestrzenne, jednocześnie ucząc się kontekstu. Dane treningowe zazwyczaj obejmują tysiące przyciętych obrazów, oznaczonych przez inżynierów budownictwa, aby objąć:
- Pęknięcia podłużne, poprzeczne i blokowe.
- Etapy spękań siatkowych (A1, A2, A3).
- Łaty, dziury i pęknięcia spoin pasów.
Podczas wnioskowania model generuje maskę binarną lub zestaw wektorów. Moduły post-processingowe łączą krótkie segmenty, odfiltrowują szumy mniejsze niż kilka pikseli i mierzą długość, szerokość oraz orientację pęknięć. Klasy dotkliwości są zgodne z zasadami ASTM D5340 lub ASTM D6433. Zliczenia te są bezpośrednio wprowadzane do macierzy uszkodzeń PCI.
Typowa dokładność modelu
| Source | Precision | Recall | F1 score | Input GSD |
|---|---|---|---|---|
| Centrum Techniczne FAA (2023) | 0.97 | 0.95 | 0.96 | 2 mm |
| DGAC Francja (2022) | 0.95 | 0.94 | 0.95 | 1.8 mm |
| Uniwersytet Teksański (2024) | 0.96 | 0.94 | 0.95 | 1.5 mm |
Precyzja pokazuje, ile wykrytych pikseli pęknięć jest poprawnych. Czułość (recall) pokazuje, ile rzeczywistych pikseli pęknięć model znalazł. Wartości powyżej 0.90 oznaczają bardzo niewiele fałszywych alarmów lub przeoczeń.
Konwersja wyników AI na PCI
PCI to wynik w skali 0–100, pochodzący od typu uszkodzenia, jego dotkliwości i ilości. Zautomatyzowany proces składa się z czterech kroków:
- Przypisanie obszaru. Podziel pas startowy lub drogę na sekcje zarządzania (np. jednostki próbne 50 m na 50 m).
- Zliczanie uszkodzeń. Zsumuj długości i obszary pęknięć dla każdej sekcji i przyporządkuj je do tabel dotkliwości ASTM.
- Wartość potrącenia. Każde uszkodzenie generuje wartość potrącenia. Suma potrąceń odjęta od 100 daje surowy PCI.
- Skorygowany PCI. Zastosuj zasady korekty, gdy współistnieje wiele poważnych uszkodzeń. Wynikiem jest tabela i mapa cieplna, gdzie zielony = dobry, czerwony = krytyczny.
Średniej wielkości lotnisko węzłowe poinformowało, że proces AI odtworzył wyniki PCI generowane przez ludzi z dokładnością do ±2 punktów w 92 procentach jednostek próbnych – różnica ta mieści się w zakresie błędu akceptowanym przez FAA.
Gdzie HALO AI dodaje wartość
HALO AI to kompleksowy pakiet analityczny Fadron do nawierzchni, który łączy cały łańcuch.
- Łączenie w chmurze. Prześlij zdjęcia bezpośrednio z karty SD drona. HALO uruchamia równoległy silnik fotogrametryczny i dostarcza GeoTIFF w ciągu kilku minut. Nie jest wymagana lokalna karta graficzna (GPU).
- Automatyczna kontrola jakości (QC). Platforma wykrywa rozmazane lub niedoświetlone klatki i oznacza je przed analizą, dzięki czemu unikasz przeoczenia pęknięć.
- Wykrywanie pęknięć za pomocą AI. Najnowszy model HALO zawiera 1,8 miliona oznaczonych próbek z lotnisk, autostrad i parkingów. Identyfikuje 18 klas uszkodzeń i zwraca pliki shapefile lub GeoJSON.
- Natychmiastowy PCI. Wbudowany kalkulator PCI jest zgodny z tabelami referencyjnymi ASTM. Otrzymujesz wyniki dla sekcji, pełny raport i plik CSV gotowy do MicroPAVER lub Stoneleigh PMS.
- Punkty zaczepienia API. Firmy inżynieryjne mogą wywoływać interfejs API HALO REST, aby przesyłać wyniki do swoich pulpitów nawigacyjnych BI lub systemów zgłoszeń konserwacyjnych.
Większość użytkowników kończy zbieranie danych rano i pobiera podpisany raport PDF przed końcem dnia roboczego.
Oszczędności czasu i kosztów
| Task | Legacy manual workflow | Drone + HALO workflow |
|---|---|---|
| Zbieranie danych w terenie (pas startowy 3 000 m) |
4 godz. zamknięcia, 5 pracowników | 40 min zamknięcia, 2 pracowników |
| Przetwarzanie danych | 24 godz. ręcznej digitalizacji | 3 godz. automatycznie |
| Sporządzanie raportu | 4 godz. pracy inżyniera | Automatycznie generowany |
Oszczędności wynikają z krótszych zamknięć, mniejszej liczby godzin pracy personelu i braku ręcznego trasowania. W przypadku długich odcinków autostrad proporcje są podobne: około 40 procent niższe koszty na kilometr przy równej lub wyższej jakości danych.
Praktyczne wskazówki dla wiarygodnych wyników
- Kalibracja ostrości. Sprawdź pierwszy pas lotu przy 200-procentowym powiększeniu. Pęknięcia włoskowate powinny być ostre.
- Obserwuj odbicia. Bardzo nowy asfalt może być oleisty i błyszczący. Filtr polaryzacyjny redukuje odblaski lustrzane, które mylą detektory krawędzi.
- Unikaj cieni. Planuj loty, gdy słońce znajduje się co najmniej 30 stopni nad horyzontem lub wykorzystaj zachmurzenie do rozproszenia światła.
- Sprawdź mokre miejsca. Jeśli części nawierzchni są wilgotne, zmień termin. Woda wypełnia małe pęknięcia, a AI je przeoczy.
- Walidacja. Zweryfikuj 5 procent jednostek próbnych za pomocą pomiarów ręcznych, aby zbudować zaufanie i spełnić zasady audytu.
Kierunki rozwoju
Wykrywanie pęknięć za pomocą AI wykracza poza prostą segmentację. Zespoły badawcze łączą warstwy termiczne, aby ujawnić rozwarstwienia spowodowane wilgocią, oraz LiDAR do mierzenia głębokości kolein z milimetrową precyzją. Modele predykcyjne, trenowane na danych wieloletnich, mogłyby wkrótce automatycznie prognozować wzrost pęknięć i rekomendować terminy napraw. HALO AI już przechowuje warstwy czasowe dla każdej lokalizacji, dzięki czemu użytkownicy mogą podłączać przyszłe moduły predykcyjne bez zbierania nowych danych bazowych.
Podsumowanie
Drony w połączeniu z AI skracają czas inspekcji z dni do godzin i przekształcają ortofotografie w wyniki PCI, którym profesjonaliści mogą zaufać. GSD wynoszące 1–3 mm na piksel to obecnie optymalny zakres, zapewniający 95-procentową lub wyższą dokładność wykrywania. Dzięki platformom takim jak HALO AI firmy Fadron, które automatyzują łączenie, mapowanie pęknięć i obliczenia PCI, zespoły inżynieryjne mogą skupić się na planowaniu napraw, zamiast na trasowaniu linii. Pierwsi użytkownicy zgłaszają oszczędności kosztów bliskie 50 procent i znaczny spadek godzin zamknięcia pasów startowych lub pasów ruchu – to wymierne korzyści zarówno dla budżetu, jak i bezpieczeństwa.
Bibliografia
- Centrum Techniczne FAA. Small UAS Pavement Inspection Accuracy Study, 2023.
- DGAC Francja. Drone-Based Runway Distress Mapping, 2022.
- Texas Advanced Computing Center. Deep Crack: CNN for Asphalt Distress Detection, 2024.
- ASTM D5340 i ASTM D6433 Standardowe Praktyki dla Badań PCI, 2022.
- Halford, R. Orthophoto Resolution and Crack Detection Thresholds, Journal of Transportation Engineering, 2023.
