ROAD-SURFACE ANOMALY DETECTION USING SMARTPHONES: A DEEP LEARNING APPROACH. Masters thesis, King Fahd University of Petroleum and Minerals.

Preview

PDF Loay_Shabaneh_Thesis_december_2018.pdf Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (20MB) | Preview

Arabic Abstract

اكتشاف جودة رصف الطرق يعتبر من الأمور الهامة جدا في المدن الحديثة، الطرق التقليدية من الاستكشاف اليدوي لمشاكل الطرق يحتاج إلى وقت طويل وعدد كبير من الموارد البشرية. الطرق الاستكشاف الحديثة مثل استخدام مركبات الاستطلاع المجهزة بالوسائل التقنية مكلفة جدا وتتطلب وقت طويل للانتهاء من تفحص طريق واحد. العديد من مستخدمي الطريق يحملون جولاتهم الحديثة في سياراتهم، مما يحفز لاستغلال هذا الانتشار الواسع للهواتف الذكية المجهزة بحساسات عديدة ودقيقة في حل مشكلة استكشاف مشاكل رصف الطرق. الباحثين استخدموا العديد من الطرق للاستفادة من هذه الإشارات الرقمية المستخرجة من حساسات الهواتف الذكية. عدد من الأبحاث تعالج المشكلة باستخدام طرق الذكاء الاصطناعي لتعليم الحواسيب سواء تصنيف عيوب الطرق أو تقييم خشونة واضطراب الشارع. في هذا البحث نستخدم الأسلوب الحديث في مجال الذكاء الاصطناعي وخصوصا ما يسمى بالتعلم المتعمق المتميز بإمكانيته في تعليم الحواسيب المسائل المعقدة عن طريق دراسة العديد من البيانات المتعلقة بمشكلة محددة. قمنا بجمع البيانات اللازمة لهذا البحث، كما قمنا بتصميم نظام من الشبكات العصبية الاصطناعية لقراءة البيانات التي جمعت سابقا وتم الوصول إلى دقة جيدة في استكشاف العيوب وتقيم خشونة الطريق التي تحفز إلى استمرار البحث في هذا المجال. كما ان البيانات التي جمعت وصنفت يمكن ان تشكل قاعدة جيدة لهذا البحث في المستقبل.

English Abstract

Road-surface anomaly detection is important aspect of modern infrastructure maintenance. Traditionally, detecting those anomalies has been done by either manual inspection or survey vehicles. Manual inspection takes a lot of effort and manpower, while survey vehicles are costly and might only travel along a given stretch of road once every six months. Now, however, nearly all road users carry smartphones with significant technical capabilities. The devices are equipped with sensors that measure different environmental variables. In particular, the accelerometer produces data that can be instrumental in detecting road-surface defects. Researchers have done many studies on deploying smartphone accelerometers in detecting road-surface defects. These authors have tackled this problem using two main strategies: either predicting defect types by analyzing and processing accelerometer signals or performing roughness assessment using machine learning techniques. Deep learning is a new concept in the machine learning field, and LSTM-RNN is a deep-learning structure that is suitable for sequence and time-series classification. In this thesis, we studied the feasibility of using LSTM deep networks to analyze smartphone accelerometer signals to detect road-surface anomalies. The main advantage of deploying a deep-learning solution is to benefit from the “end-to-end” concept, which enables researchers to start road-defect prediction using raw sensor data without the need for preprocessing and feature-space engineering. We collected a dataset that could be used both to evaluate this approach and as a basis for future investigation. The dataset consisted of three-axis accelerometer signals and the corresponding GPS location. We evaluated the deep neural network in five-class anomaly classification and two-class road roughness assessment. The deep-learning structure achieved promising detection accuracy without any preprocessing or feature extraction engineering.

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Azzedin, Farag
Committee Members:	Mousa, Wail and Ghouti, Lahouari
Depositing User:	LOAY SHABANEH (g201104290)
Date Deposited:	02 May 2019 12:02
Last Modified:	01 Nov 2019 17:44
URI:	http://eprints.kfupm.edu.sa/id/eprint/140906