E2CAV, Pavement layer thickness estimation system based on image texture operators

E2CAV, sistema para la estimación del espesor de la capa de pavimento basándose en operadores de textura en imágenes

  • Brayan Barrios Arcila Universidad del Valle
  • Eval Bladimir Bacca Cortes Universidad del Valle
  • Sandra Nope Rodríguez Universidad del Valle
Palabras clave: Pavement layer, thickness estimation, Gabor filters, texture operators, Otsu (en_US)
Palabras clave: capa de pavimento, estimación de espesor, filtros Gabor, operadores de textura, Otsu (es_ES)

Resumen (en_US)

Context: Public roads are an essential part of economic progress in any country; they are fundamental for increasing the efficiency on transportation of goods and are a remarkable source of employment. For its part, Colombia has few statistics on the condition of its roads; according with INVIAS the state of the roads in Colombia can be classified as “Very Good” (21.1%), “Good” (34.7%), and “Regular” or “Bad” (43.46%). Thus, from the point of view of pavement rehabilitation, it is worth securing the quality of those roads classified as “Regular” or “Bad”.

Objective: In this paper we propose a system to estimate the thickness of the pavement layer using image segmentation methods. The pavement thickness is currently estimated using radars of terrestrial penetration, extraction of cores or making pips; and it is part of structural parameters in the systems of evaluation of pavement.

Method: The proposed system is composed of a vertical movement control unit, which introduces a video scope into a small hole in the pavement, then the images are obtained and unified in a laptop. Finally, this mosaic is processed through texture operators to estimate the thickness of the pavement. Users can select between the Otsu method and Gabor filters to process the image data.

Results: The results include laboratory and field tests; these tests show errors of 5.03% and 11.3%, respectively, in the thickness of the pavement.

Conclusion: The proposed system is an attractive option for local estimation of pavement thickness, with minimal structural damage and less impact on mobility and number of operators.

Resumen (es_ES)

Contexto: Las carreteras públicas son esenciales para el progreso económico de cualquier país, ya que son fundamentales para el incremento en la eficiencia del transporte de bienes, y son una excelente fuente de empleo. Sin embargo, Colombia tiene pocas estadísticas sobre la condición de sus carreteras. e acuerdo con Invías, el estado de las vías pavimentadas colombianas puede resumirse así: 21,1 % son clasificadas como “Muy buenas”; 34,7 %, como “Buenas”, y 43,46 %, como “Regulares” o “Malas”. Entonces, desde el punto de vista de rehabilitación de pavimentos, vale la pena asegurar la calidad de aquellas carreteras clasificadas como “Regulares” o “Malas”.

Objetivo: En este trabajo se propone un sistema para estimar el espesor de la capa de pavimento usando métodos de segmentación de texturas en imágenes. Actualmente, el espesor del pavimento es estimado usando radares de penetración terrestre, extracción de núcleos o realizando apiques; además, éste forma parte de los parámetros estructurales de los sistemas de evaluación de pavimentos.

Método: El sistema propuesto está compuesto por una unidad de control de movimiento vertical, la cual introduce un videoscopio en un pequeño agujero en el pavimento, entonces las imágenes son obtenidas y unificadas en un computador portátil. Finalmente este mosaico es procesado a través de operadores de textura para estimar el espesor del pavimento. Los usuarios pueden seleccionar entre el método de Otsu y los filtros de Gabor para procesar los datos de imagen.

Resultado: Los resultados reportados en este trabajo incluyen pruebas en laboratorio y en campo; estas pruebas muestran errores de 5,03 % y 11,3 %, respectivamente, en la medida del espesor del pavimento.

Conclusión: El sistema propuesto es una opción atractiva para la estimación local del espesor del pavimento, con mínimos daños estructurales y menor impacto en la movilidad y la cantidad de operarios.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Brayan Barrios Arcila, Universidad del Valle
Ingeniero Electrónico, Maestro de Ciencias en Automatización, Doctor en Tecnología. Profesor Asociado de la Universidad del Valle. Cali
Eval Bladimir Bacca Cortes, Universidad del Valle
Ingeniero Electrónico, estudiante graduado, Universidad del Valle. Cali
Sandra Nope Rodríguez, Universidad del Valle
Ingeniero Electrónico, Gerente Especialista en Proyectos, Doctor en Ingeniería. Profesor Adjunto de la Universidad del Valle. Cali

Referencias

Aldana, C., Orozco, N., & Barreto, S. (2014). Identification of multiple sclerosis brain lesions in magnetic resonance imaging using texture analysis. Tecnura, 18, 89–101. doi:http://dx.doi.org/10.14483/udistrital.jour.tecnura.2014.SE1.a07

Bouguet, J.-Y. (2013). Camera Calibration Toolbox for Matlab. California Institute of Technology. Retrieved from http://www.vision.caltech.edu/bouguetj/calib_doc/

Brox, T., Weickert, J., Burgeth, B., & Mrázek, P. (2006). Nonlinear structure tensors. Image and Vision Computing, 24(1), 41–55. doi:10.1016/j.imavis.2005.09.010

Caselles, V., Kimmel, R., & Sapiro, G. (1997). Geodesic Active Contours. International Journal of Computer Vision, 22(1), 61–79.

Charlampidis, D. (2011). Texture Segmentation Using Iterative K-means. New Orleans: Department of Electrical Engineering, University of New Orleans.

Evans, R., Frost, M., Stonecliffe-Jones, M., & Dixon, N. (2008). A Review of Pavement Assessment Using Ground Penetrating Radar ( GPR ). In 12th International Conference on Ground Penetrating Radar (pp. 2–11). Birmingham, UK.

Gonzales, R., & Woods, R. (2007). Digital Image Processing (3rd Ed.). Prentice Hall. Upper Saddle River, NJ, USA.

Greensted, A. (2010). Otsu - Thresholding. The Lab Book Pages. Retrieved from http://www.labbookpages.co.uk/software/imgProc/otsuThreshold.html

GSSI. (2013a). Ground Penetrating Radar Antennas. Retrieved from http://www.geophysical.com/antennas.htm

GSSI. (2013b). GPR Data Acquisition Unit - SIR30. Retrieved from http://www.geophysical.com/sir30.htm

Hugenschmidt, J., & Fürholz, P. (2012). ATRAS – An automated GPR system for data acquisition and storage for roads and bridges. In 14th International Conference on Ground Penetrating Radar (GPR) (pp. 448–453). Shanghai, China. doi:10.1109/ICGPR.2012.6254907

INVIAS. (2014). Estado de la Red Vial. Instituto Nacional de Vías. Retrieved June 9, 2015, from http://www.invias.gov.co/index.php/red-vial-nacional/2-uncategorised/57-estado-de-la-red-vial

Kruchten, P. (2003). The Rational Unified Process: An Introduction (3rd ed.). Addison-Wesley Professional. Boston, MA, USA.

Little, M. A., & Jones, N. S. (2011). Generalized methods and solvers for noise removal from piecewise constant signals. I. Background theory. Proceedings. Mathematical, Physical, and Engineering Sciences / the Royal Society, 467(2135), 3088–3114. doi:10.1098/rspa.2010.0671

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics. The Regents of the University of California.

Malik, J. (2000). Normalized cuts and image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8), 888–905. doi:10.1109/34.868688

OpenCV. (2014). OpenCV documentation. OpenCV ORG. Retrieved June 1, 2015, from http://docs.opencv.org/

Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66. doi:10.1109/TSMC.1979.4310076

Pajewski, L., Benedetto, A., Derobert, X., Giannopoulos, A., Loizos, A., Manacorda, G., … Trinks, I. (2013). Applications of Ground Penetrating Radar in civil engineering — COST action TU1208. 2013 7th International Workshop on Advanced Ground Penetrating Radar, 1–6. doi:10.1109/IWAGPR.2013.6601528

Salman, M., Mathavan, S., Kamal, K., & Rahman, M. (2013). Pavement crack detection using the Gabor filter. In 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013) (pp. 2039–2044). IEEE. doi:10.1109/ITSC.2013.6728529

Sanchez, F., Posso, H., Lederman, P., Fernandez, H., Estrada, F., Leguizamo, P., … Posso, H. (2008). Guía Metodológica para el Diseño de Obras de Rehabilitación de Pavimentos Asfálticos de Carreteras. (M. de Transporte, Ed.) (Segunda.). Bogotá, Colombia: Instituto Nacional de Vías.

Sandler, R., & Lindenbaum, M. (2006). Gabor Filter Analysis for Texture Segmentation. In 2006 Conference on Computer Vision and Pattern Recognition Workshop (CVPRW’06) (pp. 178–178). IEEE. doi:10.1109/CVPRW.2006.86

Senthilkumaran, N., & Rajesh, R. (2009). Edge Detection Techniques for Image Segmentation – A Survey of Soft Computing Approaches. International Journal of Recent Trends in Engineering (IJRTE), 1(2), 250–254.

Sezgin, M., & Sankur, B. (2004). Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging, 13, 146–168. Retrieved from http://www.researchgate.net/publication/202972407_Survey_over_image_thresholding_techniques_and_quantitative_performance_evaluation

Socorras, V., Gomez, E., & Obregon, N. (2014). Calibración de imágenes de radares meteorológicos. Tecnura, 18(41), 12–26. Retrieved from http://revistas.udistrital.edu.co/ojs/index.php/Tecnura/article/view/7019/8691

Zhang, J., Tan, T., & Ma, L. (2002). Invariant texture segmentation via circular Gabor filters. In Object recognition supported by user interaction for service robots (Vol. 2, pp. 901–904). IEEE Comput. Soc. doi:10.1109/ICPR.2002.1048450

Cómo citar
Barrios Arcila, B., Bacca Cortes, E. B., & Nope Rodríguez, S. (2017). E2CAV, sistema para la estimación del espesor de la capa de pavimento basándose en operadores de textura en imágenes. Tecnura, 21(51), 81-95. https://doi.org/10.14483/udistrital.jour.tecnura.2017.1.a06
Publicado: 2017-01-01
Sección
Investigación

Artículos más leídos del mismo autor/a