Математики МГУ предложили нейросеть для эффективного мониторинга качества дорожного покрытия.
Сотрудники МГУ представили собственную комбинацию известных методов на основе архитектуры нейросети U-Net. Разработка точно и надежно обнаруживает трещины на изображениях дорожного полотна, превосходя аналоги по эффективности и скорости. Подход может дать начало новым системам мониторинга дорог в реальном времени, что поможет улучшить обслуживание отечественной инфраструктуры и обеспечить ее безопасность. Результатами своего исследования математики поделились на страницах высокорейтингового журнала IEEE Access.
В 2019 году стартовал национальный проект «Безопасные качественные дороги», одна из основных задач которого — улучшить состояние трасс и магистралей. На данный момент и половина дорог регионального значения не соответствует нормативным требованиям, при этом около трети всех ДТП происходит из-за плохого дорожного покрытия. Именно поэтому необходимо разрабатывать новые способы отслеживания появляющихся дефектов, чтобы устранять их еще на ранних этапах.
Сотрудники НОШ «Мозг, когнитивные системы, искусственный интеллект», созданной на базе механико-математического факультета МГУ имени М. В. Ломоносова, разработали практический метод для мониторинга качества дорожного покрытия.
«Мы используем известные методы, но находим новые комбинации, которые приводят к созданию практичного алгоритма, имеющего большое значение в реальном мире», — рассказал научный руководитель работы Владимир Половников, сотрудник кафедры Математической теории интеллектуальных систем Механико-математического факультета МГУ.
В основу легла архитектура сверточной нейросети U-Net, которую изначально создали для сегментации биомедицинских изображений, то есть их разделения на сегменты (например пиксели). Проблемы при решении этой задачи почти такие же, как и при работе с фотографиями дефектных дорог: большое разнообразие форм искомого объекта, низкая контрастность, плохо видимые границы и прочие. Авторы использовали различные подходы к обработке изображений, двухэтапную процедуру обучения нейросети градиентными методами с эффективными функциями потерь, а также предложили быстрые методы оценки качества сегментирования. Сравнение с другой аналогичной системой показало превосходство разработки московских математиков и по эффективности, и по скорости.
Предложенный подход позволяет обнаруживать трещины дорожного покрытия с высокой точностью, чего не удалось достичь другим группам. Метод надежен и сохраняет глобальную контекстную информацию, позволяя проводить исследования непосредственно на выходном изображении без постобработки и настройки параметров. Кроме того, новую систему можно применять в решении задачи бинарной классификации изображений, например для локализации дефектов, обработки медицинских данных, обнаружения лесных пожаров и прочего.
Результаты работы выложены в общественный доступ и могут быть использованы другими исследователями для оптимизации под свои нужды.
