МЕТОД РОЗРАХУНКУ ПОШКОДЖЕНЬ ДОРОЖНЬОГО ПОЛОТНА НА ПРИКОРДОННИХ ДІЛЯНКАХ З ВИКОРИСТАННЯМ КОМП’ЮТЕРНОГО ЗОРУ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2025.31.1025

Ключові слова:

комп’ютерний зір, штучний інтелект, нейронна мережа, ROI, гравійні дороги, вибоїна, оцінка пошкоджень, YOLOv8

Анотація

У межах проведеного дослідження здійснено аналіз та порівняння сучасних підходів і технологічних рішень, спрямованих на оцінювання стану транспортних маршрутів, дорожніх покриттів та шляхів прикордонних територій. Метою роботи є вдосконалення та оптимізація процесів, пов’язаних із моніторингом, діагностикою та плануванням відновлювальних робіт для підвищення ефективності діяльності відповідних служб. Проаналізовано міжнародний досвід визначення технічного стану доріг, методики розрахунку показників якості, а також досліджено використання інноваційних технологій, що забезпечують підвищення точності оцінки та автоматизацію обробки даних. Запропоновано власну концепцію системи виявлення пошкоджень дорожнього полотна, розрахунку витратних матеріалів та обсягів робіт на підготовчому етапі. Система ґрунтується на застосуванні технологій штучного інтелекту та комп’ютерного зору з використанням методів аналізу зображень і відеоматеріалів, отриманих за допомогою відеореєстратора. Реалізовано алгоритм навчання спеціалізованої нейронної мережі на основі сучасної моделі YOLOv8, що забезпечує автоматичне виявлення дефектів на дорожньому покритті та їхню кількісну оцінку для подальшого визначення масштабів пошкоджень, необхідних ресурсів і меж ділянок деформації. Запропоновано систему організації та збереження результатів у локальних або хмарних базах даних, що сприяє ефективному управлінню інформаційними потоками. Розроблений підхід має широкі перспективи застосування для оцінювання стану прикордонних зон будь-якої держави з метою оборони, аналітичного моніторингу та швидкого прийняття рішень. Окрім того, удосконалена методика може бути використана для автоматизації контролю стану рокадних, ґрунтових і щебеневих доріг, що дозволить значно підвищити оперативність і якість ремонтних робіт у сільській, гірській та прикордонній місцевостях.

Завантаження

Дані завантаження ще не доступні.

Посилання

Kumar P.V.S. (2025). Road condition assessment: A framework for automatic detection of surface flaws. Department of CSE, VNR VJIET, Hyderabad, Telangana, India.

MTU. State Practice for Unpaved Roads. URL: https://www.mtu.edu/mtri/research/project-areas/transportation/infrastructure/unpaved-roads/2a-state-practice.pdf (Last accessed Sep 16, 2025)

ScienceDirect. Investigating the cost of mechanized unpaved road maintenance operations in Uganda. URL: https://www.sciencedirect.com/science/article/pii/S2590198224001210 (Last accessed Sep 16, 2025)

InTrans Iowa State University. Pavement treatments overview. URL: https://www.intrans.iastate.edu/wp-content/uploads/2018/03/RukashazaTreatments.pdf (Last accessed Sep 16, 2025)

Stabilization of dirt and gravel roads - a reliably constructed road. URL: https://agroremmash-plus.com/ua/20-korysni-statti/344-stabilizatsiya-gruntovikh-ta-nasipnikh-dorig (Last accessed Nov 04, 2025)

Li Y., Yin C., Lei Y., Zhang J., Yan Y. (2025). RDD-YOLO: Road Damage Detection Algorithm Based on Improved You Only Look Once Version 8. School of Computer Science and Technology, Dong Hua University, Shanghai, pp. 1–10.

Bhavana N., Kodabagi M.M., Muthu Kumar B., Ajay P., Muthukumaran N., Ahilan A. (2024). POT-YOLO: Real-Time Road Potholes Detection using Edge Segmentation based Yolo V8 Network. International Journal of Intelligent Systems in Engineering, pp. 15–26.

M. Shusnjar, Z. Pandur, H. Nevecherel, K. Lepoglavec, and M. Bacic, "Development of a new method for forest road surface condition assessment," Građevinar, vol. 71, no. 12, pp. 1121–1128, 2019. https://doi.org/10.14256/JCE.2462.2018

Hoseini M., Puliti S., Hoffmann S., Astrup R. (2024). Pothole detection in the woods: a deep learning approach for forest road surface monitoring with dashcams. International Journal of Forest Engineering, 35(2), pp. 303–312. https://doi.org/10.1080/14942119.2023.2290795

Schmidhuber, J. Deep Learning in Neural Networks: An Overview. Neural Netw. 2015, 61, 85–117.

Pothole Computer Vision Dataset by braddwyer https://universe.roboflow.com/braddwyer-xoufk/pothole-h4nrr

Zeng J., Zhong H. (2025). YOLOv8-PD: An Improved Road damage detection algorithm based on YOLOv8n model. China People's Public Security University, pp. 1–12.

Rolt J., Mukura K., Otto A. (2022). Development of a Simplified Agency Life-Cycle Costing Tool for Gravel Roads. TRL Limited, UK, pp. 1–20.

Khan M., Raza M.A., Abbas G., Othmen S., Yousef A., Jumani T.A. (2024). Pothole detection for autonomous vehicles using deep learning: a robust and efficient solution. Journal of Electrical Engineering and Technology, 15(3), pp. 210–225.

OpenCV Documentation. URL: https://docs.opencv.org/4.x/d2/de8/group__core__array.html#ga6d742a4795e7d849868b6812d20d8c01 (Last accessed Sep 16, 2025)

Gonzalez R.C., Woods R.E. (2018). Digital Image Processing, 4th Edition. Pearson, pp. 1–1000.

Holman J.P. (2010). Heat Transfer, 10th Edition. Southern Methodist University, pp. 1–850.

OpenCV Thresholding Tutorial. URL: https://docs.opencv.org/4.x/d7/d4d/tutorial_py_thresholding.html (Last accessed Sep 16, 2025)

Homedit. Density of Aggregate. URL: https://www.homedit.com/civil-engineering/materials/concrete/density-of-aggregate/ (Last accessed Sep 16, 2025)

Zhou Q., Wang Z., Zhong Y., Zhong F., Wang L. (2024). Efficient Optimized YOLOv8 Model with Extended Vision. Fujian Agriculture and Forestry University, China, pp. 1–15.

Khare O.M., Gandhi S., Rahalkar A.M., Mane S. (2024). YOLOv8-Based Visual Detection of Road Hazards: Potholes, Sewer Covers, and Manholes. International Journal of Intelligent Transportation Systems, pp. 1–12.

Yaseen M. (2023). What is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector. AI Research Journal, pp. 1–10.

Khalili B., Smyth A.W. (2023). SOD-YOLOv8—Enhancing YOLOv8 for Small Object Detection in Aerial Imagery and Traffic Scenes. Remote Sensing and Image Analysis, 6(11), 412.

Roboflow Documentation. URL: https://docs.roboflow.com/ (Last accessed Sep 16, 2025)

Roboflow Python Package. URL: https://roboflow.github.io/roboflow-python/ (Last accessed Sep 16, 2025)

Miranda M., Da Costa A., Castro J., Sagaseta C. (2023). Influence of gravel density in the behaviour of soft soils improved with stone columns. Journal of Geotechnical Engineering, 15(2), pp. 101–115.

Downloads


Переглядів анотації: 0

Опубліковано

2025-12-16

Як цитувати

Гика, Д., Павлова, О., & Лисий, М. (2025). МЕТОД РОЗРАХУНКУ ПОШКОДЖЕНЬ ДОРОЖНЬОГО ПОЛОТНА НА ПРИКОРДОННИХ ДІЛЯНКАХ З ВИКОРИСТАННЯМ КОМП’ЮТЕРНОГО ЗОРУ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 3(31), 483–498. https://doi.org/10.28925/2663-4023.2025.31.1025