Дефекты дорожного полотна аэропортов

Разработано решение для автоматического выявления микротрещин и швов дорожного полотна аэропортов совместно с НПО Регион.

Deep learning
CUDA
Computer vision
Torch

2014

Совместно с

Коротко о главном

Задача

Разработать решение для выявления микротрещин и других скрытых дефектов с фоторазвертки.

Решение

  • ПО для создания обучающей выборки
  • Модель на основе Torch и CUDA для автоматической обработки видео
  • Веб-панель для управления кластером GPU

Маленькие дефекты, большие проблемы

Регулярное исследование взлетно-посадочной полосы и прилегающей территории на предмет выявления трещин и других дефектов является важной частью жизни аэропорта. Подобные проблемы следует выявлять на самом первом этапе их возникновения, так как более глубокие разрушения могут способствовать возникновению аварий, что недопустимо в условиях постоянного пассажиропотока.

На первый взгляд может показаться, что задача поиска дефектов на взлетно-посадочном полотне идентична задаче поиска дефектов на дорогах России. Сходство, определенно, есть: в конце-концов, в обоих случаях работа сводится к нахождению проблем на дорожном покрытии. Однако, при работе с покрытием аэропорта задача осложняется рядом обстоятельств:

Дорога общего пользования Полотно аэропорта
Покрытие Асфальт Бетонные плиты
Угол съемки 30° 90°
Разрешение кадра 1400 × 1400 px 16 000 × 16 000 px
Дефекты Ямы, заплатки, трещины Микротрещины
Размер дефекта 5-200 см < 5 мм
Требования к распознаванию Средние Высокие
Таблица 1. Сравнение задач поиска дефектов на дорогах и на полотне аэропорта

Из таблицы выше видно, что размер интересующих нас дефектов значительно меньше, чем на обычных дорогах. Это не только создает дополнительные сложности при составлении обучающей выборки, но и на порядки увеличивает вычислительную сложность.

130

раз больше
пикселей

Рис 1. Сравнение размеров кадра

Модель

Для выделения тонких дефектов была разработана специальная конфигурация нейронной сети, обладающая высокой точностью. Конечно, с увеличением точности обработки увеличивается как время работы программы, так и количество шума. В связи с этим появляются две проблемы: увеличение скорости обработки данных и удаление посторонних шумов из результатов.

Рис 2. Покрытие полосы до и после применения модели
Рис 3. Покрытие полосы до и после применения модели
Рис 4. Увеличенный участок

Уменьшить время работы удалось на несколько порядков за счет использования графических вычислителей NVidea путем использования технологии CUDA, позволяющей перенести операции по вычислению с ядра центрального процессора (CPU) на ядра графической подсистемы (GPU). Данные способ позволяет распараллелить вычисления на тысячи одновременных потоков.

Ядер Производительность
CPU 1-8
GPU (CUDA) 3000
Таблица 2. Сравнение задач поиска дефектов на дорогах и на полотне аэропорта

Следующий проект

3D-сегментация органов с CT