Mayo

Soluciones automatizadas para detectar daños en las carreteras y aumentar la eficacia de los procesos internos

Resumen del proyecto

May, una empresa de base tecnológica especializada en el mantenimiento de carreteras, quería desarrollar un avanzado Agentes de clasificación de imágenes para detectar daños en la carretera y recomendar productos de reparación rápida, minimizando la necesidad de recurrir a expertos in situ. El objetivo era reducir los plazos de reparación y los costes totales. Además, May quería mejorar los flujos de trabajo internos mediante herramientas automatizadas para el desarrollo de software, la gestión de proyectos y la creación de licitaciones.

Este estudio de caso examina el desarrollo del sistema de detección de daños en carretera mediante aprendizaje automático (ML) y cómo May ha optimizado los procesos internos con herramientas automatizadas y ha aumentado significativamente la eficiencia.

Agente de clasificación de imágenes para reconocer daños en la carretera

Objetivo:

May necesitaba un sistema robusto de clasificación de imágenes capaz de reconocer distintos tipos de daños en la carretera (baches, grietas, etc.) y recomendar productos de reparación a los trabajadores. Este sistema debía ser rápido, preciso y utilizable por personas no expertas.

Desafíos:

Detección precisa de daños en la carreteraEl sistema tenía que ser capaz de distinguir entre distintos tipos de daños.
Recomendaciones de productosEl sistema de reparación automatizado ha tenido que sugerir materiales de reparación adecuados.
Facilidad de uso para los trabajadores de la carreteraLos trabajadores necesitaban una interfaz de usuario sencilla que ofreciera sugerencias en tiempo real.

Solución:

La solución consistió en desarrollar un agente de clasificación de imágenes utilizando un modelo de aprendizaje automático, en particular un YOLO (Sólo se mira una vez)-que se entrenó con un conjunto de datos equilibrado y ampliado para reconocer los daños en las carreteras. El sistema integró recomendaciones de productos para reparaciones rápidas.

flujo de trabajo de desarrollo:

Cargar y preprocesar el registro de datosLas imágenes de los distintos daños en las carreteras se cargaron desde subdirectorios organizados en función de las denominaciones de las clases. Con la Generador de datos de imagen de TensorFlow, las imágenes se han convertido a 640 x 640 Píxel reducido.
Equilibrar el conjunto de datos con SMOTECon el fin de compensar los desequilibrios de clase (es decir, menos ejemplos de tipos de daño poco frecuentes), el Técnica de sobremuestreo sintético de minorías (SMOTE) para generar imágenes sintetizadas de las clases infrarrepresentadas. Estas imágenes sintetizadas se volvieron a aplicar a 640 x 640 para garantizar un tamaño uniforme.
División de datosEl conjunto de datos se creó en 70 % Formación, 20 % Validación y 10 kits de prueba % para garantizar una distribución equilibrada en cada clase para la formación, la validación y las pruebas.
Enriquecimiento de datosEl conjunto de entrenamiento se creó utilizando el imgaug-La biblioteca se sometió a un amplio enriquecimiento de los datos. Esto incluyó transformaciones como girar, voltear, escalar, recortar, añadir ruido y ajustar el contraste y el brillo. Estos enriquecimientos ayudaron a mejorar la generalización del modelo diversificando el conjunto de datos.
Formación del modelo YOLO: El conjunto de datos ampliado se utilizó para crear un Modelo YOLOv8 para la clasificación de imágenes. El ajuste fino se realizó sobre un modelo YOLO preentrenado para 100 épocas con un tamaño de pila de 32. Abandono para evitar el sobreajuste y se controló el rendimiento del modelo en el conjunto de validación.
Evaluación y exportación de modelosTras el entrenamiento, se evaluó el rendimiento del modelo utilizando los conjuntos de validación y prueba. El modelo final, una vez considerado satisfactorio, se puso a disposición para su despliegue en el Formato ONNX exportado.

Tecnologías clave:

YOLOv8Aplicación: se utiliza para la clasificación eficaz de imágenes y el aprendizaje por transferencia.
SMOTESe utiliza para igualar el conjunto de datos y generar datos sintéticos para las clases minoritarias.
imgaugMejora de la diversidad de datos de formación mediante el aumento.
TensorFlow/KerasSe utiliza para el preprocesamiento de imágenes y la gestión de modelos.

Resultado:

Mayor precisiónEl modelo final alcanzó un 95% de precisión en la detección y clasificación de daños en las carreteras.
Reparaciones más rápidasLos peones camineros recibieron sugerencias de productos en tiempo real para que pudieran realizar reparaciones inmediatas sin la ayuda de expertos.
Eficiencia de costes: La menor necesidad de expertos sobre el terreno llevó a un Reducción de costes del 30 durante los trabajos de mantenimiento.

Conclusión

Gracias a la implantación de soluciones automatizadas avanzadas tanto para los clientes externos como para los procesos internos, May ha mejorado notablemente su eficacia operativa. El sitio Sistema de clasificación de imágenes basado en YOLO para detectar daños en las carreteras permitió encontrar soluciones rápidas sin necesidad de supervisión experta y reducir los costes en un 30 %. Internamente, las herramientas de automatización optimizaron el desarrollo de software, la gestión de proyectos y la preparación de propuestas, lo que se tradujo en ciclos de desarrollo más rápidos y mejores resultados de los proyectos.

Principales ventajas:

95 % Precisión en la detección de daños en las carreteras.
40 % ciclos de desarrollo de software más rápidos.
70 % menos Tiempo dedicado a la búsqueda manual de licitaciones y a la preparación de ofertas.