[論文レビュー] Journey into Automation: Image-Derived Pavement Texture Extraction and Evaluation

Bingjie Lu, Han-Cheng Dan+2 more|arXiv (Cornell University)|Jan 5, 2025

Infrastructure Maintenance and Monitoring被引用数 3

ひとこと要約

論文は画像から3Dの舗装表面テクスチャを抽出し、平均テクスチャ深度（MTD）予測のためのテクスチャ特徴を導出し、現場試験で相対誤差が10%未満で高い予測精度（R2 = 0.9858）を示す自動システムを提示する。

ABSTRACT

Mean texture depth (MTD) is pivotal in assessing the skid resistance of asphalt pavements and ensuring road safety. This study focuses on developing an automated system for extracting texture features and evaluating MTD based on pavement images. The contributions of this work are threefold: firstly, it proposes an economical method to acquire three-dimensional (3D) pavement texture data; secondly, it enhances 3D image processing techniques and formulates features that represent various aspects of texture; thirdly, it establishes multivariate prediction models that link these features with MTD values. Validation results demonstrate that the Gradient Boosting Tree (GBT) model achieves remarkable prediction stability and accuracy (R2 = 0.9858), and field tests indicate the superiority of the proposed method over other techniques, with relative errors below 10%. This method offers a comprehensive end-to-end solution for pavement quality evaluation, from images input to MTD predictions output.

研究の動機と目的

• 画像から3D舗装表面テクスチャデータを取得する経済的手法を提案する。
• 処理画像から舗装表面のテクスチャ要素を表す特徴を抽出する3D画像処理を強化する。
• 抽出したテクスチャ特徴からMTDを予測する多変量モデルを開発する。

提案手法

• 画像から3D舗装表面テクスチャデータを得る経済的ワークフローを開発する。
• 処理済み画像から舗装表面のさまざまなテクスチャ要素を捉える特徴を設計する。
• 特徴とMTD値を結ぶ多変量予測モデルを構築する。
• データセットを跨ぐ予測指標でモデル性能を評価する。
• 他の技術と比較して利点を示す。

実験結果

リサーチクエスチョン

• RQ1 経済的な画像データから3Dの舗装表面テクスチャを効果的に捉えられるか。
• RQ2 MTD予測のために画像由来のどのテクスチャ特徴が最も適切か。
• RQ3 抽出したテクスチャ特徴からMTDをどれくらい正確に予測できるか。
• RQ4 提案された特徴とモデルは現地試験で既存技術を上回るか。

主な発見

• Gradient Boosting Tree (GBT) model は高い予測安定性と精度を達成（R2 = 0.9858）。
• 現場試験は提案手法が他の技術より優れており相対誤差が10%未満であることを示す。
• 本研究は画像入力からMTD予測までの舗装品質評価のエンドツーエンド解決策を提供する。