Дипломная работа на тему "ТЮМГУ | Разработка системы мониторинга состояния покрытия проезжей части"

Работа на тему: Разработка системы мониторинга состояния покрытия проезжей части
Оценка: отлично.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НА КИИ ВЫСШЕГО ОБРАЗОВАНИЯ
РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программного обеспечения.

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
магистерская диссертация
РАЗРАБОТКА СИСТЕМЫ МОНИТОРИНГА СОСТОЯНИЯ ПОКРЫТИЯ ПРОЕЗЖЕЙ ЧАСТИ

02.04.03 Математическое обеспечение и администрирование информационных систем
Магистерская программа «Разработка технологий Интернета вещей и больших данных»

Тюмень 2022 год

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 4
ГЛАВА 1. ОПИСАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ 9
1.1. . АНАЛИЗ ТЕХНИЧЕСКИХ И ТЕХНОЛОГИЧЕСКИХ РЕШЕНИЙ 9
1.2. ТРЕБОВАНИЯ К СОСТОЯНИЮ ДОРОЖНОГО ПОКРЫТИЯ. 10
ГЛАВА 2. ОСНОВНЫЕ ВИДЫ АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ 11
2.1. НЕЙРОННЫЕ СЕТИ ПРЯМОГО РАСПРОСТРАНЕНИЯ И ПЕРЦЕПТРОНЫ 11
2.2. СВЁРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ 11
2.4. НЕЙРОННЫЕ СЕТИ С АРХИТЕКТУРОЙ YOU ONLY LOOK ONCE 14
ГЛАВА 3. ИССЛЕДОВАНИЕ ВЛИЯНИЯ АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ НА ТОЧНОСТЬ ОБНАРУЖЕНИЯ ЯМ 16
3.1. ОПРЕДЕЛЕНИЕ МОДЕЛЕЙ ДЛЯ ПРОВЕДЕНИЯ ЭКСПЕРИМЕНТА 16
3.2. ПОДГОТОВКА И РАЗМЕТКА ДАННЫХ ДЛЯ ОБУЧЕНИЯ МОДЕЛЕЙ 20
3.3. ОБУЧЕНИЕ МОДЕЛЕЙ 27
ГЛАВА 4. РАЗРАБОТКА СИСТЕМЫ МОНИТОРИНГА ЯМ С ИХ ОТОБРАЖЕНИЕМ НА КАРТЕ 31
4.1. РАЗРАБОТКА СЕРВИСА ДЛЯ МОНИТОРИНГА НЕРОВНОСТЕЙ 31
4.1.1. РАЗРАБОТКА КЛИЕНТСКОЙ ЧАСТИ ПРИЛОЖЕНИЯ 32
4.1.2. РАЗРАБОТКА СЕРВЕРНОЙ ЧАСТИ ПРИЛОЖЕНИЯ 34
4.2. АЛГОРИТМ ДЛЯ ОПРЕДЕЛЕНИЯ ШИРИНЫ ЯМ 36
4.3. РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ ЯМ 38
ЗАКЛЮЧЕНИЕ 40
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 42
ПРИЛОЖЕНИЯ 1-9 47

ВВЕДЕНИЕ
Суммарная протяженность автомобильных дорог в России на сегодняшний день составляет 1,553 млн. километров, 1,096 млн. км. из которых являются дорогами с твердым покрытием [1]. Такая большая протяженность дорог требует от государственных служб их поддержания в надлежащем состоянии.
Дороги особенно подвержены образованию выбоин во время перехода времен года, когда большое количество проточной воды разрушает базовые слои под покрытием, образуя слабые места. Когда машины проезжают по этим слабым местам, дорожное покрытие деформируется, появляются трещины и сколы, образуются дыры, которые становятся проблемой для любого автомобилиста.
Плохое состояние дорожного покрытия значительно влияет на условия движения транспортного средства: появляются вредные для водителя и автомобиля вибрации, существенно усложняются условия управления автомобилем, поскольку водителю требуется следить не только за движением окружающих его автомобилей и пешеходов, но и отслеживать дефекты на дорожном полотне, чтобы избежать резкого изменения траектории движения автомобиля или же его повреждения.
Все эти внешние факторы движения требуют от водителя внимания, отвлекая его от других важных моментов, с точки зрения безопасного дорожного движения. Поэтому ухудшение качества дорожного покрытия приводит к повышению аварийности.
Согласно информации ГИБДД, почти треть дорожно-транспортных происшествий в России происходит при сопутствующем влияния недостатков транспортно-эксплуатационного состояния дорог [2].
На рисунке 1 представлен график с показателями по авариям за 2021 год, на месте которых были обнаружены нарушения требований к состоянию дорог.
Рисунок 1. Показатели аварийности на дорогах с нарушением требований к их эксплуатационному состоянию.
Таким образом за 2021 год в России было выявлено более 38 тысяч ДТП, на месте которых были зафиксированы нарушения обязательных требований к состоянию автомобильных дорог [3]. В результате данных аварий было ранено более 38 тысяч человек, а количество погибших близилось к 4 тысячам.
На сегодняшний день существуют специальные службы, задачами которых является обеспечение надлежащего состояния автомобильных дорог. К главным задачам таких служб относится проведение плановых осмотров, выполнение диагностик, ремонт и прокладка нового дорожного полотна.
Проведение качественного анализа состояния дорожного покрытия и его ремонта невозможно без специальных устройств, которые позволяют выполнять не только диагностику ям на дорогах, но и выявлять на ранней стадии места, где начали появляться сколы, трещины, на месте которых может начаться процесс разрушения дорожного покрытия.
Исходя из того, что действующее законодательство РФ позволяет владельцу автомобиля получить компенсацию ущерба, причиненного его автомобилю в результате аварии по причине ненадлежащего состояния дорожного покрытия автомобильной дороги, можно сделать вывод, что данная проблема действительно актуальна.

Развитие машинного обучения способствовало распространению технологии компьютерного зрения. Эта технология позволяет роботам с помощью специальных алгоритмов и программ анализировать поток данных, который они получают с видеокамеры [4, с. 5].
Обнаружение объекта на изображении - задача установления соответствия яркостных областей заданного объекта с яркостными областями на изображении. В случае обнаружения объекта далее определяются его координаты на плоскости изображения.
Составление функции яркости изображения с заданным объектом является основным принципом обнаружения объектов. При реализации процедуры обнаружения полученный фрагмент яркости искомого объекта проверяется на соответствие с последовательно меняющейся областью на изображении. Каждое положение обрабатываемого поля проверяется на сходство с функцией яркости фрагмента. Ввиду того, что функция яркости лишь приближенно описывает искомый объект, точного совпадения заданного объекта с обнаруженным маловероятно [5, с. 4].
Нейросетевые технологии являются одним из основных методов, развиваемых в рамках искусственного интеллекта. Искусственные нейронные сети представляют собой программную реализацию математических моделей, которые моделируют работу биологических нейронных сетей, нервных клеток живого организма [6, с. 94].
Понятие нейронной сети возникло изучении и попытке моделирования процессов, протекающих в мозге. Первыми результатами данной работы являются нейронные сети У. Маккалока и У. Питтса [7].
Корневое отличие способа обработки информации человеческим мозгом от методов, которые применяются обычными цифровыми компьютерами, способствовало развитию исследований по искусственным нейронным сетям [8]. Человеческий мозг способен организовывать свои структурные компоненты, называемые нейронами, работа которых, в свою очередь, обеспечивает молниеносное решение таких задач как обработка множества различных сигналов и распознавание образов. Примером обработки таких задач может служить обычное зрение [9, 10, 11].
В качестве другого примера можно рассмотреть активную эко- локационную систему летучей мыши, которая способна предоставлять информацию о расстоянии и относительной скорости нужного объекта, его размерах и высоте местоположения [12, 13].
Искусственные нейронные сети моделируют работу человеческого мозга, его нервной системы. Нервные волокна, связывающие между собой нейроны, способны отправлять электрические импульсы. Все процессы, связанные с получением информации, ее обработкой и интерпретацией, все это реализуется в живом организме как передача электрических импульсов между нейронами [14].
В отличии от методов, построенных на использовании традиционных алгоритмов, нейронные сети способны обучаться. Процесс обучения позволяет нейронным сетям автоматически выявлять и обобщать сложные зависимости между исследуемыми объектами и выходными данными. Это означает, что в процессе обучения сети учатся выдавать верный результат не только для тех данных, которые использовались при обучении, но и для тех, которые имеют сходные признаки с искомыми объектами (к примеру, зашумленные или частично искаженные данные) [15].
Особое место в решении задач компьютерного зрения занимают сверточные нейронные сети, нацеленные на эффективное распознавании образов на изображениях за счет применения операций свертки и пулинга, подробное описание которых будет представлено в главе 2.
Актуальность исследования поставленной проблемы определяется недостаточной разработкой и практическим применением методов и технологий компьютерного зрения, позволяющих выполнять обнаружение неровностей на дорогах.
Идея проекта заключается в разработке решения, основанного на применении искусственных нейронных сетей, которое позволит анализировать состояние проезжей части и выполнять мониторинг обнаруженных неровностей с их отображением на карте.
Основной целью работы является исследование и программная реализация методов глубокого обучения, позволяющих выполнять обнаружение ям на дорогах с точностью не менее 80%.
В рамках проекта были поставлены следующие задачи:
? анализ существующих технических и технологических решений;
? сбор и обработка данных;
? разметка данных
? исследование архитектур нейронных сетей для проведения эксперимента;
? проведение вычислительного эксперимента для дальнейшего получения модели нейронной сети, отвечающей заранее заданным критериям;
? разработка приложения для обнаружения ям на дорожном покрытии;
? разработка приложения для мониторинга ям с их отображением на карте.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Федеральная служба государственной статистики: [сайт].
2. Российское информационное агентство: [сайт].
3. Сведения о показателях состояния безопасности дорожного движения: [сайт].
4. Шакирьянов Э. Д. Компьютерное зрение на Python. Первые шаги. Москва: Лаборатория знаний, 2021. 163 с.
5. Сергеев В. В. Обнаружение объектов на изображении: методические указания. Самара: СГАУ, 2010. 23 с.
6. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Санкт- Петербург: Питер, 2018. 480 с.
7. McCulloch S.W., Pitts H.W. Logical calculus of the ideas immanent in nervous activity. // Bull. Math. Biophys. 1943. Vol. 5. P. 115-133.
8. Хайкин С. Нейронные сети: полный курс, 2e издание: Пер. с анrл. Москва: Издательский дом "Вильямс", 2006. 1104 с.
9. Churchland P.S., Sejnowski T.J. The Computational Brain. Cambridge: MIT Press, 1992. 558 p.
10. M. Lewis. Man and Machine Vision. New York: McGraw-Hill, 1985. 574 p.
11. D. Marr. Vision. New York: MIT Press, 2012. 428 p.
12. N. Suga. Cortical computational maps for auditory imaging. // Neural nerworks. 1990. Vol. 3. P. 3-21.
13. N. Suga. Computations of velocity and range in the bat auditory system for echo location. // Computational Neuroscience. 1990. P. 213-231.
14. Головко В.А. Нейронные сети: обучение, организация и применение. Москва: Радиотехника, 2001. 188 c.
15. Реализация искусственных нейронных сетей в Линукс: [сайт].
16. ГОСТ Р 50597–2017. Дороги автомобильные и улицы. Требования к эксплуатационному состоянию, допустимому по условиям обеспечения безопасности дорожного движения. Методы контроля. Москва: Стандартинформ, 2017. 28 с.
17. Людовских Д.С. Система мониторинга качества дорожного покрытия с помощью мобильных устройств. Ростов-на-Дону: ЮФУ, 2016. 45 с.
18. Lanjewar B., Khedkar J., Sagar R., Pawar R., Gosavi K. Survey of Road Bump and Intensity Detection algorithms using Smartphone Sensors. // International Journal of Computer Science and Information Technologies. 2015. Vol. 6. P. 5133-5136.
19. Hoffmann M., Mock M., May M. Road-quality classification and bump detection with bycicle-mounted smartphones. // Proceedings of the 3rd International Conference on Ubiquitous Data Mining. 2013. Vol. 1088. P. 39- 43.
20. Eriksson J., Girod L., Hull B., Newton R., Madden S., Balakrishnan H. The Pothole Patrol: Using a Mobile Sensor Network for Road Surface Monitoring. // MobiSys '08: Proceedings of the 6th international conference on Mobile systems, applications, and services. 2008. P. 29-39.
21. Prasad V., Kumari S. Pothole Detection using LiDAR. // Adv Automob Eng.
2021. Vol. 10. P. 10-13.
22. Kang B., Choi S. Pothole detection system using 2D LiDAR and camera. // International Journal of Innovative Science and Research Technology. 2017. Vol. 6. P. 1385-1393.
23. Ravi R., Habib A., Bullock D. Pothole mapping and patching quantity estimates using lidar-based mobile mapping systems. // Environmental Science. 2020. Vol. 2674. P. 124-134.
24. Chang K., Chang J., Liu J. Detection of pavement distresses using 3D laser scanning technology. // Trans-portation Research Record. 2020. Vol. 2674. P. 124–134.
25. Parker J. R. Algorithms for Image Processing and Computer Vision. India: Wiley Pub. 2011. 465 p.
26. Paragios N., Tziritas G. Adaptive detection and localization of moving objects in image sequences. // Signal Processing: Image Communication. 1999. Vol 14. P. 277-296.
27. Ansari S. Building A Realtime Pothole Detection System Using Machine Learning and Computer Vision. 2021.
28. Aparna A., Yukti B., Rachna R., Varun G., Naveen A. Convolutional Neural Networks Based Potholes Detection Using Thermal Imaging. // Journal of King Saud University. Computer and Information Sciences. 2019. Vol. 34. P. 578- 588.
29. Fan R., Wang H., Wang Y., Liu M., Pitas I. Graph Attention Layer Evolves Semantic Segmentation for Road Pothole Detection: A Benchmark and Algorithms. Computer Vision and Pattern Recognition. // IEEE Transactions on Image Processing. 2021. Vol. 30. P. 8144-8154.
30. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. 1958. Vol. 65. P. 386-408.
31. Hubel D. H., Wiesel T.N. Brain mechanisms of vision. // Scientific American. 1979. Vol. 241. P. 150-163.
32. Вакуленко С. А., Жихарева А. А. Практический курс по нейронным сетям. Санкт-Петербург: Университет ИТМО, 2018. 71 с.
33. Vehicle Type Recognition from image data: [сайт].
34. Redmon J., Divvala S., Girshick R. You Only Look Once: Unified, Real-Time Object Detection. // Computer Vision and Pattern Recognition. 2016. P. 779- 788.
35. Репозиторий Scaled-YOLOv4 // GitHub: [сайт].
36. Репозиторий YOLOv5 // GitHub: [сайт].
37. Wang C. Scaled-YOLOv4: Scaling Cross Stage Partial Network. // 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. P. 13024-13033.
38. D. Cochard. YOLOv5: The Latest Model for Object Detection: [сайт].
39. Talukder D., Jahara F. Real-Time Bangla Sign Language Detection with Sentence and Speech Generation. // 2020 23rd International Conference on Computer and Information Technology (ICCIT). 2020. P. 1-6.
40. Nienaber S., Booysen M., Kroon R., Detecting potholes using simple image processing techniques and real-world footage. // Cognitive Informatics and Soft Computing. 2015. P. 893-902.
41. Nienaber S., Kroon R., Booysen M., A Comparison of Low-Cost Monocular Vision Techniques for Pothole Distance Estimation. // 2015 IEEE Symposium Series on Computational Intelligence. 2015. P. 419-426.
42. Documentation Roboflow: [сайт].
43. Weiss K., Khoshgoftaar T., Wang D. A survey of transfer learning. Journal of Big Data. 2016.
44. Weights & Biases - Documentation // WandB: [сайт].
45. Getting Started – React // React – A JavaScript library for building user interfaces: [сайт].
46. Documentation Mapbox // Maps, geocoding, and navigation APIs & SDKs Mapbox: [сайт].
47. Хук состояния // Изучение React. Полное руководство по React: [сайт].
48. Хук эффекта // Изучение React. Полное руководство по React: [сайт].
49. Documentation Node JS // Node.js is a JavaScript runtime built on Chrome's V8 JavaScript engine: [сайт]