Научно-образовательные школы Московского университета

Математики МГУ предложили нейросеть для эффективного мониторинга качества дорожного покрытия

Мозг Наука
Ученые 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 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 МГУ «Мозг, когнитивные системы, искусственный интеллект» 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, сотрудник кафедры математической теории интеллектуальных систем механико-математического факультета МГУ Владимир Половников.

В основу разработки 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.