ПРИМЕНЕНИЕ МОДЕЛИ YOLOV12 ДЛЯ АНАЛИЗА ДАННЫХ ГЕОРАДАРА

Аннотация

Своевременное выявление скрытых дефектов в нижних слоях дорожного покрытия является одним из ключевых факторов повышения безопасности дорожного движения и продления срока службы дорожной инфраструктуры. Традиционные методы контроля, включая визуальный осмотр, бурение и локальный отбор проб, преимущественно выявляют поверхностные повреждения, могут требовать временного ограничения движения и связаны со значительными затратами. Применение георадара (GPR) в сочетании с методами машинного обучения открывает возможности для более быстрой и точной диагностики. Вместе с тем большинство существующих исследований ограничивается одним набором данных и недостаточно рассматривает объединение разнородных GPR-данных для повышения устойчивости модели. В исследовании объединены три независимых открытых набора GPR-изображений, охватывающих пять классов: Loose, Interlayer bonding deficiency, No damage, Void и Crack. Для унификации данных выполнялись предварительная обработка, приведение изображений к единому формату и разрешению, полуавтоматическая разметка ранее неаннотированных изображений и целевая аугментация для уменьшения дисбаланса классов. Для обнаружения и классификации дефектов использовалась модель YOLOv12-x с архитектурой, ориентированной на механизмы внимания, обученная с помощью оптимизатора Adam. На объединенном наборе данных модель достигла общей точности 92%, что соответствует улучшению показателей классификации и детекции примерно на 3% по сравнению с обучением на отдельных наборах данных. Класс «No damage» распознавался наиболее надежно, тогда как классы «Crack» и «Void» чаще смешивались вследствие сходных характеристик отражения сигнала. Отдельные случаи ошибочной классификации также наблюдались между классами «Loose» и «Interlayer bonding deficiency». Полученные результаты подтверждают возможность автоматизации диагностики скрытых дефектов дорожных конструкций на основе GPR-данных, более эффективного распределения ограниченных ресурсов дорожных служб и планирования профилактических ремонтных работ. Предлагаемый подход к объединению разнородных наборов данных может также применяться для мониторинга состояния мостов и железнодорожного полотна.