KR20200071828A - Road Damage Prediction System based on Artificial Intelligence - Google Patents

Road Damage Prediction System based on Artificial Intelligence Download PDF

Info

Publication number
KR20200071828A
KR20200071828A KR1020180153075A KR20180153075A KR20200071828A KR 20200071828 A KR20200071828 A KR 20200071828A KR 1020180153075 A KR1020180153075 A KR 1020180153075A KR 20180153075 A KR20180153075 A KR 20180153075A KR 20200071828 A KR20200071828 A KR 20200071828A
Authority
KR
South Korea
Prior art keywords
big data
unit
artificial intelligence
road
road surface
Prior art date
Application number
KR1020180153075A
Other languages
Korean (ko)
Inventor
나상민
Original Assignee
주식회사 디투리소스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 디투리소스 filed Critical 주식회사 디투리소스
Priority to KR1020180153075A priority Critical patent/KR20200071828A/en
Publication of KR20200071828A publication Critical patent/KR20200071828A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G06Q50/30—
    • G06K9/20—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

The present invention relates to a system for predicting road damage based on artificial intelligence. The system comprises: a data acquisition unit (100) acquiring an image of a road surface; a road surface big data unit (200) processing big data of the road surface through image analysis for each same location coordinates from the acquired data; a weather big data unit (300) converting weather information into big data; a climate big data unit (400) converting information on a climate change into big data; a machine learning unit (500) performing meaningful learning from the big data through machine learning of artificial intelligence; and a risk prediction unit (600) predicting a risk of road damage from a digitized result value.

Description

인공지능 기반 도로 파손 위험 예측 시스템 {Road Damage Prediction System based on Artificial Intelligence}Road Damage Prediction System based on Artificial Intelligence}

본 발명은 도로 파손 위험도 예측 방법 및 예측 시스템에 관한 것으로서, 구체적으로는 각 나라별 공개된 날씨 정보 데이터를 날씨빅데이터로 가공 구축하고, 기후 변화 데이터를 기후변화 빅데이터로 가공하고 구축하고, 노면 영상으로부터 동일 지점의 변화 데이터를 데이터화하여, 이를 인공지능이 양쪽의 데이터 값을 통해 도로의 파손 위험도를 예측하는 시스템에 관한 것이다.The present invention relates to a road damage risk prediction method and a prediction system, specifically, processing and constructing weather information data disclosed by each country into weather big data, processing and constructing climate change data into climate change big data, and road surface It relates to a system in which artificial intelligence predicts the risk of road damage through data values of both sides by dataizing the change data at the same point from the image.

인공 지능(Artificial Intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.Artificial Intelligence is a field of computer science and information technology that studies how computers can do thinking, learning, and self-development that human intelligence can do. It means to be able to imitate.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.In addition, artificial intelligence does not exist by itself, but has many connections directly or indirectly with other fields of computer science. In particular, in recent years, attempts have been made to actively utilize artificial intelligence elements in various fields of information technology to solve problems in those fields.

특히, 인공지능을 이용한 자연 언어 처리(Natural Language Processing) 기술이 발달함에 따라 인공지능 소프트웨어와 자연스러운 대화를 하는 것이 가능하게 되었다.In particular, with the development of natural language processing technology using artificial intelligence, it has become possible to have a natural conversation with artificial intelligence software.

한편, 종래에는 인공지능 소프트웨어에 인가할 수 있는 정보의 형태가 음성 또는 텍스트로 제한되는데, 다양한 형태의 정보를 인가할 수 있는 수요가 증가하고 있다.Meanwhile, in the related art, the form of information that can be applied to artificial intelligence software is limited to voice or text, and the demand for approving various types of information is increasing.

도로 노면의 경우, 충족되어야 하는 서비스 수준을 유지하기 위해 노후로 인한 재포장 및 지속적인 유지보수가 필요하다. 아스팔트 포장의 공용성에 영향을 미치는 주요 파손으로는 소성변형, 피로균열 및 종단평탄성 등이 있다.In the case of road surfaces, repacking and ongoing maintenance due to old age are necessary to maintain the level of service that must be met. The major breakages affecting the commonality of asphalt pavement are plastic deformation, fatigue cracking, and longitudinal flatness.

도로포장의 파손은 포장체의 재료/구조적 결함과 관련된 품질상태뿐만 아니라 교통 조건 및 환경하중(기후조건)의 영향을 받는다. 특히, 지구온난화로 인한 기후변화의 영향으로 여름철의 폭우와 겨울철의 폭설 등이 빈번히 발생하고 있으며 이는 도로포장의 조기파손을 증가시키고 있다. 여름철에는 집중호우로 인해 포장체가 침수됨과 동시에 계속되는 교통하중으로 포장층은 연약해진다. 또한 겨울철에는 강설에 의한 수분이 포장표면의 균열부로 침투하여 포장체의 내부가 아스팔트/시멘트와 골재가 결합력을 잃어가는 상황을 발생시킨다.Road pavement damage is affected by traffic conditions and environmental loads (climate conditions) as well as quality conditions associated with material/structural defects in the pavement. In particular, due to climate change due to global warming, heavy rains in the summer and heavy snows in the winter frequently occur, which increases the premature damage of road pavement. In summer, the pavement is submerged due to heavy rain, and at the same time, the pavement layer becomes weak due to the continued traffic load. In addition, in winter, moisture caused by snowfall penetrates into the cracks on the pavement surface, causing the inside of the pavement to lose the bonding strength between the asphalt/cement and aggregate.

4계절이 존재하는 국가의 경우, 도로의 파손은 해마다 반복되는 이슈이며, 예측의 정확도가 떨어져, 늘 응급 복구 형식으로 이뤄져서 자주 발생하는 곳은 또 파손되고, 원천적 해결이 행정적 예산적 어려움으로 해결에 어려움이 존재하는 상황이다.In countries where four seasons exist, road breakage is an issue that repeats year after year, and the accuracy of predictions is poor, and it is always done in the form of emergency recovery, and frequently occurring places are also damaged, and the original solution is solved by administrative and budget difficulties. It is a situation where difficulties exist.

등록특허공보 제10-1618340호 (공고일: 2016.05.04.)Registered Patent Publication No. 10-1618340 (Publication date: 2016.05.04.) 등록특허공보 제10-1763915호 (공고일:2017.08.14.)Registered Patent Publication No. 10-1763915 (Notice: 2017.08.14.)

종래의 도로 파손 위험도 예측은 도로 상부의 상태, 파일럿 카를 통한 육안 감식 등의 방법으로 인력과 공수가 많이 투자되는 구조였다. The conventional road damage risk prediction was a structure in which a lot of manpower and labor are invested by methods such as state of the upper part of the road and visual recognition through a pilot car.

본 발명은 도로 노면의 영상 데이터와 날씨 정보 빅데이터를 통해, 양쪽에서 취득된 정보를 인공지능이 학습하면서, 빠르게 판단, 분석, 정리하여, 도로 파손 위험성이 높은 곳을 사전에 알려주어, 조기 조치를 취함으로서, 예산 절감, 결과에 대한 정확한 데이터 확보, 관리 및 장기적인 유지보수 전략에 필요한 의사결정에 활용할 수 있는 파손 위험도 예측 방법 및 예측 시스템을 제시하고자 한다.According to the present invention, the artificial intelligence learns information acquired from both sides through image data and weather information big data on the road surface, and quickly determines, analyzes, and organizes information to inform in advance where there is a high risk of road damage, and take early action By taking, we intend to present a method and prediction system for predicting damage risk that can be used for decision-making necessary for budget reduction, accurate data acquisition, management and long-term maintenance strategy.

매일 확보되는 도로 노면 영상 데이터를 통해, 각각의 GPS 좌표값에 해당하는 노면 데이터를 노면 데이터 이력화하고, 파손 위험도를 데이터화함과 아울러, 날씨 정보, 기후 변화 정보를 빅데이터화하여, 각각의 GPS 좌표값에 해당하는 지점의 날씨와 기후에 따른 상관관계를 수치화하여 데이터화한다.Through road surface image data that is secured daily, the road surface data corresponding to each GPS coordinate value is recorded as a road surface data, the risk of damage is dataized, and weather information and climate change information are big-dataized, and each GPS coordinate The correlation between weather and climate at the point corresponding to the value is quantified and dataized.

매일 비교 분석한 노면 데이터 이력 데이터베이스와 날씨 빅데이터와의 상관관계에서 인공지능을 이용하여, 도로 파손 위험도를 예측한다.Using artificial intelligence in the correlation between the road data history database and the weather big data, which are comparatively analyzed every day, the risk of road damage is predicted.

본 발명은 전술한 기술적 문제점을 해결하기 위한 것으로서, 인공지능 기반 도로 파손 위험 예측 시스템을 제공하는데, 차량에 데이터를 취득하는 모바일 앱을 탑재한 스마트폰을 운전석 전면부에 거치하여 차량용 블랙박스처럼 사용하여 데이터를 클라우드 인프라로 전송하는 데이터 취득부(100); 확보된 데이터에서 동일 위치좌표별 영상 분석을 통한 노면의 빅데이터를 가공하는 노면빅데이터부(200); 날씨 정보를 빅데이터화하는 날씨빅데이터부(300); 기후 변화를 빅데이터화하는 기후빅데이터부(400), 인공지능의 머신러닝을 통해, 빅데이터로부터 유의미한 학습을 하는 머신러닝부(500); 및 수치화된 결과값으로부터 도로 파손 위험도를 예측하는 위험도 예측부(600)를 포함하는 것을 특징으로 한다.The present invention is to solve the above-described technical problems, provides an artificial intelligence-based road damage risk prediction system, mounted on the front of the driver's seat with a smartphone equipped with a mobile app for acquiring data on the vehicle, used as a black box for vehicles. A data acquisition unit 100 to transmit data to the cloud infrastructure; A road surface big data unit 200 for processing big data on the road surface through image analysis by coordinates of the same location from the secured data; A weather big data unit 300 that converts weather information into big data; A climate big data unit 400 for making big data into climate change, and a machine learning unit 500 for learning meaningfully from big data through machine learning of artificial intelligence; And it characterized in that it comprises a risk prediction unit 600 for predicting the risk of road damage from the numerical results.

더 나아가, 상기 노면 빅데이터부(200)는 동일 지점에 대한 수많은 영상과 이미지를 포함하고 있으며, 노면의 파손 진척도, 위험도, 포트홀, 크랙(갈라짐, 파손)의 이미지에 대한 정보를 담고 있는 것을 특징으로 한다. Furthermore, the road surface big data unit 200 includes a number of images and images for the same point, and features information about the progress of the road surface, the degree of danger, portholes, and images of cracks (cracks, breaks). Is done.

매우 많은 도로망의 긴 길이를 사람이 일일이 육안으로 확인하는 것은 불가능하다. 현재는 매우 고가의 전용장비를 탑재한 차량이 매일 주요 도로들을 운행하며, 도로 노면의 파손 상태, 위험도를 파악하고 있다.It is impossible for a person to visually check the long length of a large number of road networks. Currently, a vehicle equipped with very expensive dedicated equipment operates on major roads every day, and grasps the road surface damage status and risk.

하지만, 예산이 열악한 지방도나 주요 도로가 아닌 곳은 관리가 거의 불가능하고, 방치된 상태로 존재하고 있다. 이로 인해, 안전 운행에 어려움을 야기하고 있다.However, it is almost impossible to manage and remain neglected where the budget is not on a provincial road or a main road. Due to this, it is causing difficulties in safe operation.

본 발명으로, 데이터의 확보가 많을수록 동일 지점에 대한 다양한 노면 이미지와 관련 정보가 존재하여, 이를 날씨 빅데이터, 기후 빅데이터와 함께 판단하여 파손 위험도를 예측하여, 사회적 안전과 도로의 장기적 관리에 효과를 준다.With the present invention, as more data is secured, various road surface images and related information for the same point exist, and this is judged together with weather big data and climate big data to predict the risk of damage, and is effective for social safety and long-term management of roads. Gives

도 1은 본 발명에 따른 인공지능 기반 도로 파손 위험 예측 시스템의 전체적인 구성을 도시한 것이다. Figure 1 shows the overall configuration of the artificial intelligence-based road damage risk prediction system according to the present invention.

이하의 본 발명의 실시예에서 제시되는 특정한 구조 내지 기능적 설명들은 단지 본 발명의 개념에 따른 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있다. 또한 본 명세서에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 되며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경물, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.The specific structure or functional descriptions presented in the embodiments of the present invention are exemplified for the purpose of explaining the embodiments according to the concept of the present invention, and the embodiments according to the concept of the present invention can be implemented in various forms. have. In addition, it should not be construed as being limited to the embodiments described herein, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention.

대부분의 사람들은 스마트 폰을 비롯한 기기들을 소지하고 있다. 대부분의 차량은 블랙박스 기능을 희망하며 장착을 많이 하고 있다. 하지만, 블랙박스는 하드웨어 장비로서 빠르게 업그레이드되며, 대부분의 차량에 블랙박스가 장책되어 있지만, 노후화되어 정상적으로 저장되고 있지 않은 경우도 많고, 해당 데이터를 확인하려면, 메모리카드를 빼서, PC 등의 기기에서 확인해야 하는 불편함이 있다.Most people have smart phones and other devices. Most vehicles are equipped with lots of black box functions. However, the black box is rapidly upgraded as a hardware device, and most vehicles have a black box, but it is often aged and not stored normally. To check the data, remove the memory card and remove it from a PC or other device. There is an inconvenience to check.

본 개발에서 제공되는 노면 영상 확보 모바일 앱을 설치하고, 차량 전면부에 스마트 폰을 거치 하면, 이용자는 차량용 블랙박스로 이용할 수 있으며, 이에 대한 영상은 클라우드 인프라로 전송되어, 이용자는 인터넷, 모바일 폰 등으로 쉽게 사고 영상, 일반 영상 등을 확인할 수 있다. 이때 확보된 영상으로부터 도로 노면의 빅데이터를 완성한다. If you install the mobile app to secure the road surface image provided in this development, and mount the smart phone on the front of the vehicle, the user can use it as a vehicle black box, and the video is transmitted to the cloud infrastructure, so that the user can access the internet and mobile phone. You can easily check the accident video, general video, etc. At this time, the big data of the road surface is completed from the acquired video.

완성된 노면 빅데이터부(200)는 동일 지점에 대한 수많은 영상과 이미지를 포함하고 있으며, 이는 알고리즘을 통해, 노면의 파손 진척도, 위험도, 포트홀, 크랙(갈라짐, 파손) 등을 탐지하게 된다. 영상 판단 알고리즘은 기존의 기술을 이용할 수 있으므로, 자세한 설명은 생략하도록 한다. The completed road surface big data unit 200 includes a number of images and images for the same point, and through the algorithm, the road surface's damage progress, risk, portholes, cracks (cracks, breaks), etc. are detected. Since the image determination algorithm can use an existing technology, detailed description will be omitted.

날씨 빅데이터부(300)는 날씨의 정보가 미치는 범위를 산정하여, 구성하며, 그 범위가 미치는 노면의 범위를 판단한다.The weather big data unit 300 calculates and configures the range of the weather information, and determines the extent of the road surface affected by the range.

기후변화 빅데이터(400) 또한 그 범위가 미치는 영역을 산정하고, 수치화하여 구성한다.Climate change big data 400 is also constructed by calculating and quantifying the scope of the scope.

이상의 노면 빅데이터부(200), 날씨 빅데이터(300), 기후 빅데이터부(400)를 통해, 인공지능의 머신러닝을 통해, 유의미한 값을 도출한다. 예를 들어, 기후 또는 날씨의 가혹성에 대해서 평가하는 지표를 설정함과 아울러, 도로의 파손 정도를 평가하는 지표를 설정하고, 이들 지표 간의 상관 관계를 도출해 내고 머신 러닝부(500)를 통한 학습에 의해 위험도 예측부(600)의 성능을 향상시킬 수 있을 것이다. 그리고 도출된 정보로 도로 파손 위험도를 예측하고, 예측된 정보를 모니터링 시스템에 표현하고 담당자에게 알림을 실행한다.Through the above road surface big data unit 200, weather big data 300, and climate big data unit 400, through machine learning of artificial intelligence, significant values are derived. For example, in addition to setting an indicator for evaluating the severity of climate or weather, an indicator for evaluating the degree of road damage, deriving a correlation between these indicators, and learning through the machine learning unit 500 Accordingly, the performance of the risk prediction unit 600 may be improved. Then, the risk of road damage is predicted with the derived information, the predicted information is expressed in the monitoring system, and a notification is given to the person in charge.

100: 영상 데이터 취득부
200: 노면 빅데이터부
300: 날씨 빅데이터부
400: 기후 빅데이터부
500: 머신 러닝부
600: 위험도 예측부100: image data acquisition unit
200: road surface big data department
300: Weather Big Data Department
400: Gifu Big Data Department
500: machine learning section
600: risk prediction unit

Claims (3)

인공지능 기반 도로 파손 위험 예측 시스템에 관한 것으로서,
도로면의 이미지 영상을 취득하는 데이터 취득부(100);
확보된 데이터에서 동일 위치좌표별 영상 분석을 통한 노면의 빅데이터를 가공하는 노면빅데이터부(200);
날씨 정보를 빅데이터화하는 날씨빅데이터부(300);
기후 변화를 빅데이터화하는 기후빅데이터부(400);
인공지능의 머신러닝을 통해, 빅데이터로부터 유의미한 학습을 하는 머신러닝부(500); 및
수치화된 결과값으로부터 도로 파손 위험도를 예측하는 위험도 예측부(600)를 포함하는 것을 특징으로 하는 인공지능 기반 도로 파손 위험 예측 시스템.
As an artificial intelligence based road damage risk prediction system,
A data acquisition unit 100 that acquires an image image of a road surface;
A road surface big data unit 200 for processing big data on the road surface through image analysis by coordinates of the same location from the secured data;
A weather big data unit 300 that converts weather information into big data;
Climate big data unit 400 for big data to climate change;
A machine learning unit 500 that performs meaningful learning from big data through machine learning of artificial intelligence; And
Artificial intelligence-based road damage risk prediction system comprising a risk prediction unit 600 for predicting the road damage risk from the numerical results.
청구항 1에 있어서, 상기 데이터 취득부를 차량에 설치된 카메라, 블랙박스, 또는 스마트폰인것을 특징으로 하는 인공지능 기반 도로 파손 위험 예측 시스템.
The artificial intelligence-based road damage risk prediction system according to claim 1, wherein the data acquisition unit is a camera, a black box, or a smartphone installed in a vehicle.
청구항 1에 있어서, 노면 빅데이터부(200)는 동일 지점에 대한 수많은 영상과 이미지를 포함하고 있으며, 노면의 파손 진척도, 위험도, 포트홀, 크랙(갈라짐, 파손)의 이미지에 대한 정보를 담고 있는 것을 특징으로 하는 도로 파손 위험 예측 시스템. The method according to claim 1, The road surface big data unit 200 includes a number of images and images for the same point, the road surface damage progress, risk, portholes, cracks (crack, breakage) that contains information about the image Road damage risk prediction system characterized by.
KR1020180153075A 2018-11-30 2018-11-30 Road Damage Prediction System based on Artificial Intelligence KR20200071828A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180153075A KR20200071828A (en) 2018-11-30 2018-11-30 Road Damage Prediction System based on Artificial Intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180153075A KR20200071828A (en) 2018-11-30 2018-11-30 Road Damage Prediction System based on Artificial Intelligence

Publications (1)

Publication Number Publication Date
KR20200071828A true KR20200071828A (en) 2020-06-22

Family

ID=71142181

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180153075A KR20200071828A (en) 2018-11-30 2018-11-30 Road Damage Prediction System based on Artificial Intelligence

Country Status (1)

Country Link
KR (1) KR20200071828A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114413832A (en) * 2021-12-02 2022-04-29 中国通信建设第三工程局有限公司 Road monitoring system and method based on optical fiber sensing

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101618340B1 (en) 2015-04-30 2016-05-04 주식회사 맥서브 Tunnel environmental monitoring system using sensing devices for road conditions
KR101763915B1 (en) 2015-03-12 2017-08-14 주식회사 에코트루먼트 System For Collecting And Analyzing Big Data By Monitoring Car's And Road's Conditions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101763915B1 (en) 2015-03-12 2017-08-14 주식회사 에코트루먼트 System For Collecting And Analyzing Big Data By Monitoring Car's And Road's Conditions
KR101618340B1 (en) 2015-04-30 2016-05-04 주식회사 맥서브 Tunnel environmental monitoring system using sensing devices for road conditions

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114413832A (en) * 2021-12-02 2022-04-29 中国通信建设第三工程局有限公司 Road monitoring system and method based on optical fiber sensing
CN114413832B (en) * 2021-12-02 2023-12-15 中国通信建设第三工程局有限公司 Road monitoring system and method based on optical fiber sensing

Similar Documents

Publication Publication Date Title
Maeda et al. Road damage detection and classification using deep neural networks with smartphone images
KR102202572B1 (en) road crack assessment method and system using drone image and artificial intelligent algorithm
US10775332B2 (en) Electrical methods and systems for concrete testing
Koo et al. Innovative method for assessment of underground sewer pipe condition
Massahi et al. Investigation of pavement raveling performance using smartphone
KR20190094005A (en) Apparatus and method of image processing and deep learning image classification for detecting road surface damage
US20240167962A1 (en) System and method for automatic monitoring of pavement condition
Xu et al. Bridge inspection using bridge information modeling (BrIM) and unmanned aerial system (UAS)
KR101345186B1 (en) System for monitoring flooding of road and its method
US20230306573A1 (en) Systems and methods for assessing infrastructure
CN111626261A (en) Intelligent inspection analysis early warning system for hydraulic buildings
Saeed et al. A review of intelligent methods for unpaved roads condition assessment
KR20200071828A (en) Road Damage Prediction System based on Artificial Intelligence
KR102026686B1 (en) Apparatus for providing dangerous road information using connected car and server for generating deep-learning model
CN112668478B (en) Well lid monitoring method and device, electronic equipment and storage medium
US11823368B1 (en) Automated road surface condition quality assessment using smart (IoT) devices
Sevilla et al. Improving Resilience of Transport Instrastructure to Climate Change and other natural and Manmande events based on the combined use of Terrestrial and Airbone Sensors and Advanced Modelling Tools
KR20200069878A (en) Apparatus and method for pavement lifecycle management
JP2020077322A (en) Road management system, road management method and road management program
CN115170783A (en) Expressway pavement crack detection method using street view image
Exner et al. Monitoring Street Infrastructures with Artificial Intelligence
DE102020005185A1 (en) Method for estimating a road condition of a road by means of an electronic computing device, as well as electronic computing device
Hadjidemetriou et al. Patch defects in images using support vector machines
Lee et al. Improvement measures for bridge inspection efficiency using spatial information technology
Hadjidemetriou et al. Patch defects detection for pavement assessment, using smartphones and support vector machines