Met behulp van AI kunnen auto’s kuilen in realtime detecteren

Het Korea Institute of Civil Engineering and Building Technology (KICT) heeft de ontwikkeling aangekondigd van een ‘op AI gebaseerd automatisch kuildetectiesysteem’. Het systeem is ontworpen om op de voorruit van een voertuig te worden geïnstalleerd om kuilen in het wegdek in realtime te detecteren. Potholes kunnen auto’s beschadigen en zelfs tot levensbedreigende ongevallen leiden.

Vooral in de regenseizoenen kunnen kuilen voor problemen zorgen. In Seoul, toen het record voor zware regenval in augustus 2020 werd gevestigd, werden in augustus 2020 meer dan 7.000 kuilmeldingen ontvangen toen een recordbui de stad trof. In Korea bedroeg het aantal kuilen dat tussen 2016 en 2018 in het hele land werd gemeld 657.993. De totale schadevergoeding bedroeg in het hele land 4,6 miljard won en het herstel van wegen kostte 1,7 biljoen won. Als een voertuig met hoge snelheid over een kuil rijdt zonder het te merken, kan het voertuig losraken van de rijstrook en daarmee een gevaar voor het leven van de bestuurder vormen.

Wegdekbeheer begint met het snel detecteren van beschadigde secties, en dit omvat op trillingen, laserscannen en beeldherkenning gebaseerde detectietechnologieën. Met name met de recente ontwikkeling van de detectietechnologie die gebruikmaakt van diepe neurale netwerken, krijgen op beeldherkenning gebaseerde methoden voor wegdekbeheer aandacht. Bovendien kan de beeldgebaseerde techniek worden gebruikt met persoonlijke apparaten, zoals een voertuig- of smartphonecamera. Dit maakt het gemakkelijker voor lokale overheden, die vertrouwden op visuele inspecties door mensen, om de technologie toe te passen.

Een onderzoeksteam bij KICT onder leiding van Dr. Seungki Ryu ontwikkelde dit systeem dat kuilen in realtime detecteert door het wegdek te fotograferen tijdens het rijden met een zichtsensor die op de voorruit van een voertuig is geïnstalleerd. Het AI-inferentiemodel segmenteert schade op het wegdek semantisch met behulp van een encoder-decodernetwerk op basis van de FCN-architectuur (volledig convolutionele neurale netwerk).

Een veelvoorkomend probleem bij op afbeeldingen gebaseerde detectie is dat zelfs op dezelfde locatie afbeeldingen kunnen variëren in de informatie over de pixeleenheid, afhankelijk van veranderingen in de externe omgeving. Het kan met name een uitdaging zijn om schade aan het wegdek te identificeren met het AI-inferentiemodel, aangezien de helderheid van het wegdek in de loop van de tijd verandert. Om dit probleem op te lossen, is een nieuw CNN-model (convolutioneel neuraal netwerk) voor beeldvoorbewerking ontwikkeld en gecombineerd met het semantische segmentatiemodel om robuuste detectieprestaties te laten zien met wegbeelden die zijn gemaakt onder verschillende helderheidsomstandigheden.

Deze technologie bestaat uit een mobiele app voor het verzamelen van gegevens met behulp van het AI-model en een op kaarten gebaseerd cloudserverplatform om kuilen te identificeren op basis van gegevens die door de mobiele app worden verzonden. Momenteel testen verschillende lokale overheden in Korea, zoals Gwangju Metropolitan City, Goyang-si en Gimhae-si, deze technologie. Het onderzoeksteam van Dr. Ryu wil deze technologie verder uitbreiden en introduceren bij andere lokale overheden.

Dr. Ryu zei: “Het is essentieel om wegenvoorzieningen in goede staat te houden in het komende tijdperk van autonome voertuigen. Deze op AI gebaseerde technologie zal effectief wegdekbeheer veel gemakkelijker maken.”