Refine
Year of publication
- 2017 (2) (remove)
Document Type
- Article (1)
- Conference Proceeding (1)
Keywords
- Detection (2) (remove)
Institute
- Sonstige (2) (remove)
Road condition acquisition and assessment are the key to guarantee their permanent availability. In order to maintain a country's whole road network, millions of high-resolution images have to be analyzed annually. Currently, this requires cost and time excessive manual labor. We aim to automate this process to a high degree by applying deep neural networks. Such networks need a lot of data to be trained successfully, which are not publicly available at the moment. In this paper, we present the GAPs dataset, which is the first freely available pavement distress dataset of a size, large enough to train high-performing deep neural networks. It provides high quality images, recorded by a standardized process fulfilling German federal regulations, and detailed distress annotations. For the first time, this enables a fair comparison of research in this field. Furthermore, we present a first evaluation of the state of the art in pavement distress detection and an analysis of the effectiveness of state of the art regularization techniques on this dataset.
Im Rahmen eines Forschungsvorhabens an der RWTH Aachen wurden mehrere Spannbetondurchlaufträger bis zum Versagen belastet. Neben umfangreicher konventioneller Messtechnik wurden zusätzlich innovative Messmethoden durch die Bundesanstalt fuer Materialforschung und -prüfung (BAM) getestet. Darunter waren eingebettete Ultraschall-Transducer, deren Daten mit einer neuartigen Methode, der Codawelleninterferometrie (CWI), ausgewertet wurden. Dieses Verfahren detektiert auch kleinste Änderungen im Signal und in der Wellengeschwindigkeit gegenüber einer Referenzmessung. Hiermit koennen Belastungs- und Strukturänderungen sowie Schaeden sehr viel sensibler angezeigt werden als bei konventionellen Ultraschallmessungen. Durch eine Modifikation des Verfahrens mit gleitender Referenz können aber auch starke Veränderungen im Material, wie sie bei Bruchversuchen auftreten, erfasst werden. In den Versuchen gelang es mit Netzwerken aus bis zu 20 Ultraschall-Transducern, Spannungskonzentrationen und Rissbildungen qualitativ zu detektieren und zu verfolgen, ohne dass die Sensoren direkt am Ort der Änderung angebracht werden müssen.