Automatyzacja inwentaryzacji uszkodzeń powierzchni jezdni z wykorzystaniem sztucznych sieci neuronowych

Fundamentalną umiejętność tworzenia filarów wiedzy inżynierskiej stanowi zdolność uczenia się i formułowania wniosków w oparciu o zasoby nauki gromadzonej przez wiele lat. Łączenie tego czynnika z nowatorskim podejściem kreowanym przez rozwój technologii skutkuje pewnym i stabilnym rozwiązaniem. W artykule przedstawiono integrację doświadczeń z zakresu systemu oceny stanu nawierzchni (SOSN) w zakresie wizualnej inwentaryzacji z teorią sztucznych sieci neuronowych (SSN). Łącząc interpretację wyników oceny stanu technicznego nawierzchni jezdni w oparciu o wizualną inwentaryzację z możliwościami przekształceń obrazu cyfrowego buduje się hybrydowy system, który w sposób automatyczny i obiektywny, dane z fotorejestracji przekształca do jednolitego wskaźnika stanu spękań i stanu powierzchni, klasyfikując stan nawierzchni jezdni według prostych i jednoznacznych do interpretacji kryteriów.

The fundamental ability to create pillars of engineering knowledge is to learn and draw conclusions based on scientific resources collected over many years. Combining this factor with a novel approach that is continuously created by the development of the technology, someone gets a reliable and stable solution. This paper presents the concept of integration of experience in the field of pavement condition visual inventory (SOSN) with the theory of artificial neural networks (ANNs). By taking the interpretation of the road surface technical condition results based on a visual inventory and the digital image conversion capabilities it is possible to get a hybrid solution, which is automated distress data acquisition system producing the uniform cracks and surface condition index, making the criteria of pavement technical state assessment easy and clear to interpret.