- Elseicy , Ahmed Mossad Ibrahim
Road pavements are vital elements that should be in good physical condition to provide a safe and seamless flow to transport people and goods. However, they are subjected to various internal defects because of aging, environmental conditions, changing traffic load, and poor maintenance. Therefore, regular pavement inspections are performed to ensure their serviceability. Ground Penetrating Radar (GPR) is one of the nondestructive techniques that is widely used for inspecting road pavements subsurface. It is used to assess the condition of the pavement and the thickness of its layers. Furthermore, it can identify subsurface defects, such as cracks, voids, and subgrade settlements. Nevertheless, the current practice is to interpret GPR data using heuristic methods which are time-consuming and highly dependent on the user experience. Moreover, the output of the processing cannot be easily integrated with CAD and BIM software due to lake of data interoperability. Recently, deep learning-based methods have been applied to interpret GPR data and to overcome the interpretation subjectivity challenge. However, choosing a suitable network architecture and post-processing techniques for feature extraction is still undergoing investigation. This research aims to apply state-of-the-art deep learning techniques to process GPR data of the road pavements automatically. The target features are pavement layer thickness and road defects, such as cracks, delamination, voids, and moisture damages. The proposed algorithms aim to reduce the processing time and detect the hidden patterns of the data, which will help to eliminate the interpretation subjectivity. Moreover, the results are automatically exported as a georeferenced 3D dataset with semantic labels instead of representing them as labeled radargrams or tabular reports. The labeled dataset can be integrated with the existing building information modeling (BIM) and geographic information systems (GIS) applications., Los pavimentos de las carreteras son elementos vitales que deben estar en buenas condiciones físicas para proporcionar un flujo seguro y sin problemas al transporte de personas y mercancías. Sin embargo, están sujetos a diversos defectos internos debido al envejecimiento, las condiciones ambientales, los cambios en la carga de tráfico y un mantenimiento deficiente. Por lo tanto, se realizan inspecciones periódicas de los pavimentos para garantizar su capacidad de servicio. El radar de penetración terrestre o georradar (GPR por sus siglas en inglés) es una de las técnicas no destructivas más utilizadas para inspeccionar el subsuelo de las carreteras. Se utiliza para evaluar el estado del pavimento y el espesor de sus capas. Además, puede identificar defectos en el subsuelo, como pueden ser grietas, huecos y asentamientos de la subrasante. Sin embargo, la práctica actual consiste en interpretar los datos del GPR mediante métodos heurísticos que requieren mucho tiempo y dependen en gran medida de la experiencia del usuario. Además, el resultado del procesamiento no se puede integrar fácilmente en software CAD y BIM debido a la falta de interoperabilidad de los datos. Recientemente, se han aplicado métodos basados en el aprendizaje profundo para interpretar los datos GPR y superar el desafío de la subjetividad en la interpretación. Sin embargo, la elección de una arquitectura de red adecuada y las técnicas de post-procesamiento para la extracción de características todavía se están investigando y no existe una metodología de confianza. La investigación de este trabajo doctoral tiene como objetivo aplicar técnicas de aprendizaje profundo de última generación para procesar automáticamente los datos GPR en pavimentos de carreteras. Las características objetivo son el grosor de la capa del pavimento y los defectos de la carretera (grietas, delaminación, vacíos, humedad). Los algoritmos propuestos tienen como objetivo reducir el tiempo de procesamiento y detectar los patrones ocultos en las señales radar registradas, lo que ayudará a eliminar la subjetividad en la interpretación. Además, los resultados se exportarán automáticamente como un conjunto de datos 3D georreferenciados con etiquetas semánticas en lugar de representarlos como radargramas etiquetados o informes tabulares. El conjunto de datos etiquetados puede integrarse con las aplicaciones existentes de modelado de información de edificios (BIM) y de sistemas de información geográfica (GIS)., Os pavimentos das estradas son elementos vitais que deben estar en boas condicións físicas para proporcionar un fluxo seguro e sen problemas para o transporte de persoas e mercadorías. Con todo, están suxeitos a diversos defectos internos debido ao envellecemento, as condicións ambientais, os cambios na carga de tráfico e un mantemento deficiente. Por tanto, realízanse inspeccións periódicas dos pavimentos para garantir a súa capacidade de servizo. O radar de penetración terrestre ou xeorradar ( GPR polas súas siglas en inglés) é unha das técnicas non destrutivas máis utilizadas para inspeccionar o subsolo das estradas. Utilízase para avaliar o estado do pavimento e o espesor das súas capas. Ademais, pode identificar defectos no subsolo, como gretas, ocos e asentamentos da subrasante. Con todo, a práctica actual consiste en interpretar os datos do GPR mediante métodos heurísticos. Estes métodos consomen moito tempo e dependen en gran medida da experiencia do usuario. Ademais, o resultado do procesamento non pode integrarse facilmente no software CAD e BIM debido á falta de interoperabilidade dos datos. Recentemente, aplicáronse métodos baseados na aprendizaxe profunda para interpretar os datos GPR e superar o desafío da subxectividade na interpretación. Con todo, a elección dunha arquitectura de rede adecuada e as técnicas de posprocesamento para a extracción de características seguen sendo obxecto de investigación. A investigación neste traballo de doutoramento ten como obxectivo aplicar técnicas de aprendizaxe profunda de última xeración para procesar automaticamente os datos GPR en pavimentos de estradas. As características obxectivo son o espesor da capa do pavimento e os defectos da estrada (gretas, delaminación, baleiros e humidade). Os algoritmos propostos teñen como obxectivo reducir o tempo de procesamento e detectar os patróns ocultos nos sinais radar rexistrados, o que axudará a eliminar a subxectividade na interpretación. Ademais, os resultados exportaranse automaticamente como un conxunto de datos 3D xeorreferenciado con etiquetas semánticas en lugar de representarse como radargramas etiquetados ou informes tabulares. O conxunto de datos etiquetados pódese integrar coas aplicacións existentes de modelado de información de edificios (BIM) e sistemas de información xeográfica (GIS)., Ministerio de Ciencia e Innovación | Ref. PREP2022-000030, Agencia Estatal de Investigación | Ref. PID2022-138526OB-I00, Agencia Estatal de Investigación | Ref. TED2021-130183B-I00