Отримано 08.01.2026
Доопрацьовано 05.02.2026
Прийнято 26.03.2026
Опубліковано 07.04.2026
Взято з Вип. 119, 2026
Сторінки 285 -297
Анотація
Дослідження в роботі спрямовані на виявлення та просторову сегментацію, класифікацію та геоінформаційний аналіз дефектів цементобетонних покриттів з шаром зношування. Методика покликана слугувати основою для формування цифрової моделі стану покриття як інструменту предикативної діагностики. В якості ядра методики обрано нейронну мережу YOLOv8-seg, оптимізовану для задач інстанс-сегментації в реальному часі. Розроблено повний технологічний ланцюг, що включає: 1) мобільну зйомку з синхронною GNSS-прив'язкою; 2) формування спеціалізованого датасету з п'ятьма класами, адаптованими до особливостей комбінованого покриття; 3) активне навчання моделі на розмічених полігональних масках; 4) постобробку та об'єднання масок з різних кадрів; 5) генерацію векторних шарів дефектів у GeoJSON-форматі та їх інтеграцію в ГІС; 6) автоматичний розрахунок ключових показників технічного стану (індекс руйнування, щільність дефектів). Апробація проведена на ділянках автомобільної дороги загального користування М-07 Київ – Ковель. Система забезпечила піксельну сегментацію дефектів із середньою точністю (mAP50-seg) 0,87 на тестовій вибірці. Кількісний аналіз виявив, що лише 58,2 % площі покриття знаходиться у справному стані, тоді як частково зруйновані ділянки становлять 32,6 %, а повністю зруйновані – 9,2 %. Глибокий просторовий аналіз виявив статистично значущу кореляцію між зонами концентрації дефектів типу «зруйноване покриття» та точками динамічного навантаження (зупинки, з'їзди, ділянки гальмування). Це дозволило класифікувати 92 % всіх значних руйнувань як «навантаженно-залежні». Розроблена методика довела можливість повної автоматизації процесу отримання об'єктивних, метрологічно валідних даних про стан покриття. Результати досліджень не лише кількісно описують стан, але й через просторовий аналіз вказують на його причини. Це дозволяє перейти від планово-запобіжних ремонтів до цільових, технологічно обґрунтованих втручань. Система формує цифровий слід об'єкта, що є критично важливим першим кроком до створення його предикативної цифрової моделі. Подальші дослідження будуть спрямовані на інтеграцію даних візуального обстеження з результатами безконтактних дефектоскопічних методів (наприклад, георадарного зондування) для оцінки стану не лише поверхні, а й внутрішніх шарів конструкції
Ключові слова:
автоматизоване обстеження, цементобетонне покриття, шар зношування, нейронна мережа, YOLOv8-seg, інстанс-сегментація, геоінформаційна система, предикативне управління, цифровий двійник, просторовий аналіз, навантаженно-залежний дефект1. Zhang, L., Yang, F., Zhang, Y., & Zhu, Y. J. Road crack detection using deep convolutional neural network. IEEE International Conference on Image Processing (ICIP), 2016. DOI: 10.1109/ICIP.2016.7533059.
2. Maeda, H., Sekimoto, Y., Seto, T., Kashiyama, T., & Omata, H. Road Damage Detection and Classification Using Deep Neural Networks with Smartphone Images. arXiv preprint arXiv:1801.09454, 2018. DOI: 10.48550/arXiv.1801.09454.
3. Jiang, Y., & Pang, D. A real-time road crack detection method based on YOLOv8. Journal of Physics: Conference Series, 2023. DOI: 10.1088/1742-6596/2441/1/012002.
4. Jocher, G., et al. Ultralytics YOLOv8. [Електронний ресурс]. Режим доступу: https://docs.ultralytics.com.
5. Arya, D., Maeda, H., Ghosh, S. K., et al. Global Road Damage Detection: State-of-the-Art Solutions. IEEE International Conference on Big Data, 2020. DOI: 10.1109/BigData50022.2020.9377796.
6. Radopoulou, S. C., & Brilakis, I. A review of pavement defect detection and classification systems. Proceedings of the International Conference on Smart Infrastructure and Construction, 2016. DOI: 10.1680/icsic.64638.067.
7. Koch, C., & Brilakis, I. Pothole detection in asphalt pavement images. Advanced Engineering Informatics, 2011. Vol. 25, No. 3. P. 507–515. DOI: 10.1016/j.aei.2011.01.002.
8. Huidrom, L., Das, L. K., & Sud, S. K. Method for Automated Assessment of Cracking in Asphalt Pavement Surfaces. Transportation Research Record: Journal of the Transportation Research Board, 2013. No. 2367. P. 3–13. DOI: 10.3141/2367-01.
9. Eisenbach, M., et al. How to Get Pavement Distress Detection Ready for Deep Learning? A Systematic Approach. IEEE International Joint Conference on Neural Networks (IJCNN), 2017. DOI: 10.1109/IJCNN.2017.7966020.
10. Dorafshan, S., Thomas, R. J., & Maguire, M. Comparison of deep convolutional neural networks and edge detectors for image-based crack detection in concrete. Automation in Construction, 2018. Vol. 94. P. 154–166. DOI: 10.1016/j.autcon.2018.06.006.
11. Hartley R., Zisserman A. Multiple View Geometry in Computer Vision (2nd ed.). — Cambridge: Cambridge University Press, 2003. – 673 р. https://www.robots.ox.ac.uk/~vgg/hzbook.
12. Szeliski R. Computer Vision: Algorithms and Applications. – Springer, 2022 – 1232 р. https://szeliski.org/Book.
13. Zhang Z. A Flexible New Technique for Camera Calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol.: 22, Is.: 11, Nov. 2000, р. 1330 – 1334. DOI: 10.1109/34.888718.
14. https://docs.opencv.org/4.x/da/d6e/tutorial_py_geometric_transformations.html
15. Renso, C., Spaccapietra, S., & Zimányi, E. (Eds.). (2013). Mobility Data: Modeling, Management, and Understanding. Cambridge University Press. 424 p. ISBN 978-1107028192.
16. Quddus, M. A., Ochieng, W. Y., & Noland, R. B. (2007). Current map-matching algorithms for transport applications: State-of-the art and future research directions. Transportation Research Part C: Emerging Technologies, 15(5), 312–328. https://doi.org/10.1016/j.trc.2007.05.002.
17. O'Rourke, J. Computational Geometry in C. 2nd edition. Cambridge University Press, 1998. – 358 p.
18. Goldberg, D. (1991). What Every Computer Scientist Should Know About Floating-Point Arithmetic. ACM Computing Surveys, 23(1), 5–48. https://doi.org/10.1145/103162.103163.