La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Pavement distress detection with conventional self-driving car sensors

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Tarabay, Nizar (2020). Pavement distress detection with conventional self-driving car sensors. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[thumbnail of TARABAY_Nizar.pdf]
Prévisualisation
PDF
Télécharger (10MB) | Prévisualisation
[thumbnail of TARABAY_Nizar-web.pdf]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

Properly detecting asphalt pavement distresses before their expansion is a crucial task to characterize road condition in order to identify causes of deterioration and, therefore, maintain roads by selecting the appropriate intervention. Many automatic methods are developed to detect and assess pavement distresses. However, these methods face many limitations such as reliability, efficiency, and price. Hence, they are not frequently deployed for road inspections. In this project, we address those limitations by testing a new approach in collecting pavement data. We test self driving car’s 3D LiDAR and RGB camera in detecting pavement distresses. We build our data acquisition platform and installed it on a moving vehicle. We conduct tests on the 3D LiDAR to assess its performance. Results show significant discrepancy between the scanned point cloud and its reference. Moreover, the reconstructed surface from the scanned point cloud shows significant deformations. This is mainly due to the noisy measurements, the low accuracy especially on low reflective surface, and the low resolution of the scanned point cloud.

On the other hand, RGB camera shows a better performance in detecting cracks. We introduce a full approach for crack detection. We use a non-expensive camera to collect data on a moving vehicle. We use a supervised learning algorithm to detect cracks. We adopt an original way in annotating the collected dataset. Finally, we process it with a region-based deep convolutional neural network for instance segmentation. We validate the trained model on 70 images, rich with different scenarios, crack shapes, and noises, collected from a moving vehicle with a lowcost camera. Results show the capacity of our approach in crack detection and segmentation. The precision of the trained model is 77.67%, its recall is 79.18%, and the average intersection over union is 64.6%.

Titre traduit

Détection de détérioration de chaussée avec des capteurs conventionnels de véhicule autonome

Résumé traduit

Détecter et quantifier les détériorations des chaussées d’une façon adéquate est une tâche essentielle pour caractériser l’état des routes, identifier les causes de détérioration, développer des modèles de prévision de l’état futur, et quantifier les besoins en termes d’entretien et de réhabilitation à court et long termes. De nombreuses méthodes automatiques ont été développées pour détecter et évaluer les détériorations des chaussées. Cependant, ces méthodes font face à de nombreuses limitations telles que la fiabilité, la rentabilité, et le prix élevé. Par conséquent, elles ne sont pas fréquemment utilisées pour inspecter les routes. Dans ce projet, nous abordons ces limites en testant une nouvelle approche pour la collecte des données de surface des chaussées. Nous testons deux capteurs conventionnels installés sur les voitures autonomes, fixés sur un véhicule: Un LiDAR 3D, et un appareil photo RVB. La performance du LiDAR est validée via des mesures de sa capacité à détecter des dégradations. Les résultats montrent un écart entre les nuages de points acquis et ses références. La reconstruction de la surface à partir des nuages de points acquis montre des déformations significatives dans l’élévation de la chaussée. Cela est notamment dû aux bruits dans les mesures prises par le LiDAR, à sa faible précision qui se dégrade sur des surfaces moins réflectives, et à sa faible résolution.

D’autre part, l’appareil photo RVB montre de meilleurs résultats dans la détection des fissures routières. Dans ce projet, nous introduisons une approche complète pour les détecter. Nous utilisons une caméra pour enregistrer des vidéos tout en conduisant. Nous utilisons un algorithme d’apprentissage supervisé pour détecter les fissures. Nous adoptons une méthode originale pour annoter les images, que nous traitons ensuite avec un réseau de neurones à convolution pour sectionner les fissures. Nous validons le modèle sur 70 images. Les résultats montrent que la capacité de notre système pour la détection et segmentation de fissures est pertinente : la précision du modèle, une fois entraîné, est de 77,67 %, le rappel est de 79,18 %, et la moyenne de l’intersection sur l’union est 64.6%.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 103-109).
Mots-clés libres: détection des détériorations des chaussées, capteurs de véhicule autonome, LiDAR 3D, RVB camera, réseau de neurones basé sur des régions, Mask R-CNN
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Saad, Maarouf
Codirecteur:
Codirecteur
Assaf, Gabriel J.
Programme: Maîtrise en ingénierie > Génie électrique
Date de dépôt: 22 mars 2021 17:45
Dernière modification: 22 mars 2021 17:45
URI: https://espace.etsmtl.ca/id/eprint/2643

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt