ZASTOSOWANIE SIECI NEURONOWYCH TYPU HOPFIELDA W DIAGNOSTYCE NAWIERZCHNI DROGOWYCH

Artykuł dotyczy zagadnień diagnostyki nawierzchni drogowych z wykorzystaniem metod przetwarzania obrazów cyfrowych wspomaganych zastosowaniem sieci neuronowej typu Hopfielda w procesie wzajemnego dopasowania pikseli pary obrazów nawierzchni drogi. Para obrazów rejestrowana z wykorzystaniem stereowizyjnego mobilnego stanowiska pomiarowego, opracowanego przez autora, definiowana jest jako stereo-obraz drogi. W artykule opisano ograniczenia rozwiązań stereowizyjnych oraz przedstawiono problem niejednoznaczności dopasowania dla obszarów o jednakowej intensywności. Określono problem obiektów przesłaniających się w polu widzenia kamer, zidentyfikowano ograniczenia ciągłości wynikające z nagłej zmiany funkcji intensywności obrazów, oraz zwrócono uwagę na typowe ograniczenia związane z przetwarzaniem i rozpoznawaniem obrazów cyfrowych. Podczas implementacji sieci neuronowej zdefiniowano kryteria, których minimalizacja jako składowych funkcji energii pozwoliła na uzyskanie optymalnego dopasowania pikseli stereo-obrazów, tym samym właściwego odwzorowania nawierzchni drogowej. Do rozwiązania zadania optymalizacji wielokryterialnej zaproponowano kryteria maksymalizacji i jednoznaczności dopasowania pikseli oraz kolejności przyporządkowania sekwencji pikseli w obu stereo-obrazach, a także kryterium ciągłości mapy dysparycji. Opis matematyczny składowych energii sieci neuronowej określono w artykule. Ocenę zastosowania sieci neuronowej zdefiniowano jako różnicę pomiędzy pomiarami głębi z wykorzystaniem sieci neuronowej oraz bez jej zastosowania. Do oceny zaproponowanego rozwiązania przeprowadzono pomiary z wykorzystaniem mobilnego stanowiska stereowizyjnego, które porównano z pomiarami statycznymi z wykorzystaniem skanowania laserowego w zdefiniowanych przekrojach pomiarowych drogi. Zastosowana sieć neuronowa typu Hopfielda pozwoliła na zwiększenie liczby pikseli poprawnie przypisanych w procesie dopasowania pikseli stereo-obrazów. Zwiększyło to tym samym precyzję odwzorowania nawierzchni drogowej, tym samym oceny jest stanu.

Pełny tekst (pdf)

[1]  Batchelor B.G., Waltz F.M.: Intelligent machine vision: techniques, implementations and applications, 2001, Springer-Verlag UK.

[2]  Cichocki A., Unbehauen R.: Neural networks for optimization and signal processing, Willey 1993, John Wiley & Sons, Chichester.

[3]  Cyganek B., Siebert P., An Introduction to 3D Computer Vision Techniques and Algorithms, 2009, John Wiley & Sons, Chichester.

[4]  Grace A.E., Pycock D., Tillotson H.T., Snaith M.S., Active shape from stereo for highway inspection, Machine Vision and Applications, 2000, pp. 7–15.

[5]  Mańdziuk J.,: Sieci neuronowe typu Hopfielda. Teoria i przykłady zastosowań, Akademicka Oficyna Wydawnicza EXIT, 2000, Warszawa.

[6]  Scharstein B., View Synthesis Using Stereo Vision, Lecture Notes in Computer Science 1582, 1999, Springer-Verlag, Berlin.

[7]  Soatto M, S., Kosecka J., Sastry S.S., An invitation to 3-D vision: from images to geometric models, 2004, Springer-Verlag, New York.

[8]  Staniek M., Pavement conditions diagnosis by means of stereoscopy, Proc. of the 58th Conference of Scientific Problems of Civil Engineering, 2012, pp. 358-359.

[9]  Staniek M.: Diagnostyka stanu nawierzchni drogowej z wykorzystaniem pomiarów stereoskopowych. Zeszyty Naukowe Politechniki Rzeszowskiej, nr 283 z. 59, nr 3, 2012, pp. 339-346.

[10]  Staniek M.: Ocena dokładności stereowizyjnej metody inspekcji dróg. Budownictwo i architektura. vol. 13 nr 4, 2014, s. 259-266.

[11]  Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W., Sieci neuronowe w inżynierii biomedycznej. Tom 9, ISBN  978-83-7837-024-6, Akademicka Oficyna Wydawni-cza EXIT, 2013, Warszawa.

[12]  Tsai C.T., Wang J.H., Sun Y.N.: Livet stereoscopic visualization by using Hopfield neural nets, Neural Computing and Applications, Vol. 7(3), 1998, pp. 229-237.

[13]  Vilaça J. L., Fonseca J. C., Pinho A. M., Non-contact 3D acquisition system based on stereo vision and laser triangulation, Machine Vision and Applications 21(3), 2010, pp. 341-350.

[14]  Wang K. C. P, Gong W., Tracy T., Nguyen V., Automated survey of pavement distress based on 2D and 3D laser images, MBTC DOT 3023 –Grant, 2011, Transportation Research Board.

[15]  Zarządzenie nr 34 Generalnego Dyrektora Dróg Krajowych i Autostrad z dnia 30 kwietnia 2015 r. w sprawie diagnostyki stanu nawierzchni i jej elementów.