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

Probleemstelling

Ondergrondse verkeersschade (Road Subsurface Distress - RSD), zoals losse structuren, delaminatie en holtes (voids), vormt een ernstig risico voor de infrastructuur en de publieke veiligheid. Hoewel Ground Penetrating Radar (GPR) een veelgebruikte, niet-destructieve methode is voor de detectie van deze schade, is de interpretatie van de gegenereerde beelden (A-, B-, C- en D-scans) uiterst arbeidsintensief.

• Afhankelijkheid van expertise: De identificatie van afwijkingen vereist gespecialiseerde kennis van inspecteurs, wat leidt tot subjectiviteit en een hoge tijdsinvestering (ongeveer één uur per kilometer weg).
• Beperkingen van bestaande methoden: Traditionele, regelgebaseerde methoden falen vaak in complexe, echte omgevingen. Bestaande deep-learning-benaderingen kampen met onvoldoende herkenning vermogen, vooral bij het onderscheiden van verschillende types schade en het vermijden van vals-positieven. Veel studies gebruiken kleine datasets of missen de multi-view (meerdere weergave) informatie die essentieel is voor nauwkeurige 3D-analyse.

Methodologie

De auteurs stellen een nieuwe strategie voor genaamd Cross-verification (kruisverificatie), gebaseerd op deep learning, om de complementariteit van verschillende GPR-weergaven te benutten.

1. Dataverzameling:

   • Er is een groot dataset samengesteld met 2134 zorgvuldig gevalideerde samples (holtes, losse structuren, putdeksels en gezonde secties) verkregen uit veldmetingen in Chengdu en Guangzhou (China).
   • De data omvat 105 wegsecties (totaal 1250 km) met diverse bodemcondities en geologische kenmerken.

2. Modelarchitectuur:

   • Er worden drie onafhankelijke objectdetectiemodellen getraind op basis van de YOLO (You Only Look Once) architectuur (specifiek een anchor-free variant).
   • Elk model is getraind op een specifieke 2D-slice van de 3D GPR-data:
     • Model-C: Getraind op C-scans (horizontale doorsnede).
     • Model-B: Getraind op B-scans (longitudinale doorsnede).
     • Model-D: Getraind op D-scans (transversale doorsnede).

3. Cross-verification Strategie (Het Kruisverificatieproces):
   In plaats van de beelden simpelweg te combineren, wordt een gefaseerde filtratie toegepast om de sterke punten van elk model te benutten:

   • Stap 1 (Filteren van gezonde secties): Model-C wordt gebruikt om gezonde wegsecties te identificeren en te verwijderen. Dit model is zeer gevoelig voor het onderscheid tussen gezond en abnormaal.
   • Stap 2 (Filteren van putdeksels): Van de overige "abnormale" detecties worden putdeksels verwijderd door Model-B. Dit model is het beste in het onderscheiden van putdeksels van daadwerkelijke schade.
   • Stap 3 (Classificatie van schade): De overgebleven defecten worden geklasseerd als "holte" (void) of "losse structuur" door Model-D, dat de beste prestaties levert bij het onderscheiden van deze twee specifieke schadevormen.

Belangrijkste Bijdragen

• Nieuwe Cross-verification Strategie: Een innovatieve aanpak die drie gespecialiseerde YOLO-modellen sequentieel combineert in plaats van ze te fusioneren, waardoor de specifieke voordelen van elke GPR-weergave (B, C, D) optimaal worden benut.
• Groot en Divers Dataset: De creatie van een uitgebreid, professioneel gelabeld dataset van 2134 samples afkomstig van echte veldmetingen in twee grote Chinese metropolen, wat zeldzaam is in dit onderzoeksgebied.
• Hoge Recall: De strategie is ontworpen om "false negatives" (gemiste schade) te minimaliseren, wat cruciaal is voor de verkeersveiligheid, zelfs ten koste van een iets hoger aantal "false positives".

Resultaten

De prestaties zijn getest op een testset en in onafhankelijke veldproeven:

• Prestaties op de Testset:

  • De cross-verification strategie bereikte een recall van 98,6% en een precisie van 95,9% voor de detectie van RSD.
  • Specifiek voor het onderscheid tussen schade types: 84,1% van de holtes en 86,0% van de losse structuren werden correct geïdentificeerd.
  • Dit presteert aanzienlijk beter dan eerdere studies (zie Tabel 1 in het artikel), waarbij recalls vaak onder de 90% lagen.

• Veldproeven (15 wegsecties, 69,4 km):

  • De methode bereikte een recall van 100%: geen enkele door menselijke inspecteurs gevonden schade werd over het hoofd gezien.
  • Er waren 127 vals-positieven (gezonde secties of putdeksels die als schade werden gemarkeerd). De auteurs benadrukken dat dit een bewuste keuze is om veiligheid te garanderen; deze vals-positieven kunnen snel door mensen worden geverifieerd.
  • Efficiency: De automatische verwerking gevolgd door menselijke verificatie van alleen de verdachte gebieden, reduceerde de benodigde arbeidstijd met ongeveer 90% (van 1128 minuten naar 101 minuten voor verificatie).

Betekenis en Conclusie

Dit onderzoek biedt een robuust en schaalbaar kader voor de automatische inspectie van weginfrastructuur.

• Efficiëntie: Het combineert de snelheid van AI met de betrouwbaarheid van menselijke expertise, waardoor grote afstanden snel kunnen worden gescreend zonder in te leveren op veiligheid.
• Flexibiliteit: De strategie is model-onafhankelijk en kan worden toegepast met verschillende deep-learning-architecturen.
• Praktische Toepassing: De methode maakt het mogelijk om risicovolle secties te prioriteren (waar veel vals-positieven optreden) en draagt bij aan preventief onderhoud van wegen, wat essentieel is voor het voorkomen van instortingen en het verlengen van de levensduur van infrastructuur.

De studie concludeert dat deze aanpak voldoet aan de eisen voor grootschalig en langetermijnonderhoud van stedelijke wegen, met name in gebieden met intensief verkeer.