Учёные из МТУСИ и МАДИ представили решение для анализа дефектов дорожного покрытия. В его основе лежит сочетание искусственного интеллекта и виброакустического анализа, сообщают «Известия».
Совмещение акустического анализа износа дорожного покрытия и ИИ — относительно новое и перспективное направление, рассказала изданию и.о. замдекана факультета «Информационные технологии» по научной работе МТУСИ Ксения Полянцева. По её словам, акустические данные можно использовать в качестве дополнительной «модальности» при использовании нейросетевых моделей.
«Разработанная модель позволит автоматизировать обработку изображений асфальтобетонного покрытия, получаемых с помощью автомобильно-дорожных сканеров, для оценки состояния дорожного полотна. Это во много раз ускорит процесс диагностики и планирования ремонтных работ. Ранее при использовании акустического анализа датчики, расположенные на дорожной лаборатории, фиксировали звуки окружающей среды и проезжей части, а затем эксперт слушал и оценивал те или иные данные. Сейчас с помощью методов ИИ можно отфильтровать шумы, выделить значимые сигналы и затем классифицировать дефекты», — отметила она.
Сейчас технология проходит стадию тестирования в дорожных лабораториях обоих университетов.
«Мы уже разрабатываем инструментарий, включающий в себя интеграцию данных из различных источников, таких как лазерные сканеры и радары, для более полного анализа состояния дорог. Также ведутся работы над адаптивными моделями, способными обучаться на ходу и подстраиваться под новые условия эксплуатации. Улучшение интерфейсов и интеграция с системами управления инфраструктурой помогут сделать технологию более доступной и удобной в использовании», — рассказала Ксения Полянцева.
Разработка перспективна, однако её широкое распространение сдерживается технологическими сложностями, связанными с ухудшением работы моделей компьютерного зрения при изменении условий эксплуатации, например, из-за климатических особенностей различных регионов, отмечает Александр Бухановский, директор Мегафакультета трансляционных информационных технологий университета ИТМО. По его мнению, это может привести к существенным различиям в точности обнаружения и классификации дефектов между разными экземплярами системы.
«По этой причине дальнейшее развитие таких решений требует, с одной стороны, внедрения в их алгоритмы элементов автоматического машинного обучения, способных эффективно настраивать структуру нейросети для учёта специфики использования в конкретном районе. С другой стороны, необходимо продумать и единую облачную экосистему для постоянного обучения самих моделей ИИ на вновь поступающих данных», — добавил он.
По мнению Даниила Аржакова, старшего преподавателя университета «Синергия», остаются вопросы относительно масштабируемости: как система будет функционировать в условиях сильных помех, например в интенсивном городском движении или при неблагоприятных погодных условиях.
