Наши проекты:
Журнал · Discuz!ML · Wiki · DRKB · Помощь проекту |
||
ПРАВИЛА | FAQ | Помощь | Поиск | Участники | Календарь | Избранное | RSS |
[18.216.32.116] |
|
Сообщ.
#1
,
|
|
|
Математики МГУ предложили нейросеть для эффективного мониторинга качества дорожного покрытия
Сотрудники МГУ представили собственную комбинацию известных методов на основе архитектуры нейросети U-Net. Разработка... Сотрудники МГУ представили собственную комбинацию известных методов на основе архитектуры нейросети U-Net. Разработка точно и надежно обнаруживает трещины на изображениях дорожного полотна, превосходя аналоги по эффективности и скорости. Подход может дать начало новым системам мониторинга дорог в реальном времени, что поможет улучшить обслуживание отечественной инфраструктуры и обеспечить ее безопасность. Результатами своего исследования математики поделились на страницах высокорейтингового журнала IEEE Access. В 2019 г. стартовал национальный проект «Безопасные качественные дороги», одна из основных задач которого — улучшить состояние трасс и магистралей. На данный момент и половина дорог регионального значения не соответствует нормативным требованиям, при этом около трети всех ДТП происходит из-за плохого дорожного покрытия. Именно поэтому необходимо разрабатывать новые способы отслеживания появляющихся дефектов, чтобы устранять их еще на ранних этапах. Сотрудники НОШ «Мозг, когнитивные системы, искусственный интеллект», созданной на базе механико-математического факультета МГУ имени М. В. Ломоносова, разработали практический метод для мониторинга качества дорожного покрытия. «Мы используем известные методы, но находим новые комбинации, которые приводят к созданию практичного алгоритма, имеющего большое значение в реальном мире», — сказал научный руководитель работы Владимир Половников, сотрудник кафедры Математической теории интеллектуальных систем Механико-математического факультета МГУ. В основу легла архитектура сверточной нейросети U-Net, которую изначально создали для сегментации биомедицинских изображений, то есть их разделения на сегменты (например пиксели). Проблемы при решении этой задачи почти такие же, как и при работе с фотографиями дефектных дорог: большое разнообразие форм искомого объекта, низкая контрастность, плохо видимые границы и прочие. Авторы использовали различные подходы к обработке изображений, двухэтапную процедуру обучения нейросети градиентными методами с эффективными функциями потерь, а также предложили быстрые методы оценки качества сегментирования. Сравнение с другой аналогичной системой показало превосходство разработки московских математиков и по эффективности, и по скорости. Предложенный подход позволяет обнаруживать трещины дорожного покрытия с высокой точностью, чего не удалось достичь другим группам. Метод надежен и сохраняет глобальную контекстную информацию, позволяя проводить исследования непосредственно на выходном изображении без постобработки и настройки параметров. Кроме того, новую систему можно применять в решении задачи бинарной классификации изображений, например для локализации дефектов, обработки медицинских данных, обнаружения лесных пожаров и прочего. Адрес новости: https://corp.cnews.ru/news/line/2022-01-20_matematiki_mgu_predlozhili |