Automatic Road Subsurface Distress Recognition from Ground Penetrating Radar Images using Deep Learning-based Cross-verification

Titolo: Riconoscimento automatico delle lesioni sottosuperficiali stradali da immagini GPR tramite una strategia di cross-verifica basata su Deep Learning

1. Il Problema

Le lesioni sottosuperficiali stradali (RSD - Road Subsurface Distress), come strutture allentate, distacchi interstratificati e vuoti, rappresentano un grave rischio per la sicurezza pubblica e l'integrità delle infrastrutture, potendo portare a cedimenti catastrofici.
Il metodo standard per il rilevamento è il Radar a Penetrazione Terrestre (GPR), che genera dati non distruttivi. Tuttavia, l'interpretazione di queste immagini è:

• Laboriosa e soggettiva: Richiede esperti umani per analizzare manualmente i dati (circa 1 ora per km), limitando la scalabilità per ispezioni su larga scala.
• Difficile per i modelli esistenti: I metodi di riconoscimento automatico basati sul Deep Learning (come le reti CNN 3D o i modelli YOLO su singole viste) soffrono di una capacità insufficiente di distinguere i difetti, specialmente quando i dati sono complessi, distorti o quando le annotazioni 3D sono difficili da generare.
• Bassa accuratezza nelle applicazioni reali: Gli studi precedenti mostrano spesso un recall (tasso di rilevamento) inferiore al 90% su dataset reali, insufficiente per la sicurezza stradale.

2. Metodologia

Gli autori propongono una strategia di cross-verifica multi-vista che sfrutta le capacità complementari di tre modelli distinti addestrati su diverse sezioni ortogonali dei dati GPR 3D.

• Dataset: È stato costruito un dataset su larga scala (1.250 km di strade urbane a Chengdu e Guangzhou) contenente 2.134 campioni validati (vuoti, strutture allentate, tombini e parti sane), annotati da ingegneri esperti e verificati tramite carotaggi.
• Modelli di Rilevamento: Sono stati utilizzati tre modelli basati su YOLO (un derivato anchor-free ad alta velocità e precisione), addestrati indipendentemente su:
  • Model-C: Addestrato su C-scan (sezione orizzontale). È altamente sensibile alla presenza di anomalie (vuoti e strutture allentate appaiono come macchie irregolari), ma meno capace di distinguerle dai tombini o tra loro.
  • Model-B: Addestrato su B-scan (sezione longitudinale). Eccelle nel distinguere i tombini dalle lesioni, poiché i pattern dei tombini sono più definiti in questa vista.
  • Model-D: Addestrato su D-scan (sezione trasversale). Utile per differenziare i vuoti dalle strutture allentate, che appaiono simili nelle altre viste.
• Strategia di Cross-Verifica (Flusso a tre passaggi):
  1. Filtraggio (Step 1): Il Model-C scarta le sezioni sane, identificando la presenza di anomalie.
  2. Filtraggio Tombini (Step 2): Il Model-B filtra le anomalie rimaste per rimuovere i falsi positivi causati dai tombini.
  3. Classificazione (Step 3): Il Model-D classifica le rimanenti lesioni in "vuoti" o "strutture allentate".

Questa strategia non mira solo all'accuratezza, ma massimizza il recall (minimizzare i falsi negativi) per garantire che nessun pericolo venga ignorato, accettando un numero maggiore di falsi positivi che possono essere rapidamente verificati manualmente.

3. Contributi Chiave

• Nuova Strategia di Cross-Verifica: Superamento dei limiti dei metodi monovista o della semplice concatenazione di feature, sfruttando la sinergia tra le diverse proiezioni geometriche dei dati GPR.
• Dataset Esteso e Validato: Creazione di uno dei più grandi dataset di campo annotati professionalmente (2.134 campioni) con diverse condizioni geotecniche e tipi di suolo, superando la scarsità di dati diversificati negli studi precedenti.
• Efficienza Operativa: Dimostrazione che un flusso di lavoro ibrido (elaborazione automatica seguita da revisione umana mirata) riduce drasticamente il carico di lavoro senza compromettere l'affidabilità.
• Indipendenza dal Modello: La strategia è progettata per essere indipendente dal modello di rilevamento sottostante, fungendo da framework flessibile per futuri algoritmi.

4. Risultati

• Prestazioni sul Dataset di Test:
  • La strategia di cross-verifica ha raggiunto un recall del 98,6% e una precisione del 95,9% nel rilevamento delle lesioni.
  • La classificazione specifica ha mostrato un recall del 84,1% per i vuoti e dell'86,0% per le strutture allentate, superando significativamente i modelli singoli e gli studi precedenti (che spesso si fermavano sotto il 90% di recall).
• Test sul Campo (15 strade, 69,4 km):
  • Recall del 100%: Nessun difetto è stato mancato rispetto all'ispezione manuale.
  • Falsi Positivi: Sono stati rilevati 127 falsi positivi su 202 rilevamenti totali. Tuttavia, il paper nota che questi falsi positivi sono distribuiti in modo disomogeneo e possono servire come indicatori di aree ad alto rischio che necessitano di attenzione.
  • Riduzione del Lavoro: Il processo di revisione manuale dei risultati automatici ha richiesto solo 101 minuti contro le 1.128 minuti (circa 19 ore) necessarie per l'analisi manuale completa. Questo rappresenta una riduzione del carico di lavoro umano di circa il 90%.

5. Significato e Impatto

Il lavoro dimostra che l'automazione basata sul Deep Learning, combinata con una strategia intelligente di verifica incrociata multi-vista, è pronta per l'uso pratico nel monitoraggio della salute delle infrastrutture stradali.

• Sicurezza: Garantisce che le lesioni critiche non vengano ignorate (alto recall), prevenendo potenziali cedimenti stradali.
• Sostenibilità Economica: La drastica riduzione del tempo di ispezione rende economicamente fattibile la manutenzione preventiva su larga scala e a lungo termine delle reti stradali urbane.
• Scalabilità: Il metodo è adattabile a diverse condizioni di campo e può essere implementato su workstation standard, rendendolo accessibile per le agenzie di gestione stradale.

In sintesi, il paper offre una soluzione robusta che bilancia l'efficienza computazionale con la necessità critica di affidabilità nella sicurezza delle infrastrutture pubbliche.