Розробка підходу до підбору методів фільтрації до відповідних зображень дефектів автомобільних доріг

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.343208

Ключові слова:

шумове забруднення, зображення пошкоджень доріг, пікове співвідношення сигнал/шум, фільтрація зображення

Анотація

Об’єкт дослідження – процес підбору методів фільтрації до відповідних зображень дефектів доріг за умови максимального збереження текстур та країв зображених пошкоджень.

Результати дослідження спрямовані на вирішення проблеми забезпечення загальної якості попередньої обробки зображень дефектів за рахунок підбору ефективного фільтру, відповідного до типу зображеного дефекту дороги. Розроблено підхід до підбору методів фільтрації до відповідних зображень дефектів доріг. У порівнянні з традиційними підходами, які зазвичай базуються лише на одному критерії, розроблений підхід заснований на багатокритеріальному виборі ефективного методу. В алгоритмі підходу використано комбінацію оцінки результатів фільтрації за показником пікового співвідношення сигнал/шум (PSNR) та методу візуального оцінювання за встановленими критеріями. Це пояснюється тим, що багатокритеріальний метод підбору фільтра дає за результатами експериментальної апробації кращий інтегральний результат у порівнянні з традиційними. Зокрема, здійснено практичну реалізацію підходу мовою програмування Python (США) та його апробацію на основі зображень 5-ти видів пошкоджень лінійного та площинного типів. За результатами апробації встановлено, що PSNR за результатами обробки зображень поздовжніх тріщин нелокальним усередненим фільтром на 15,26% більше ніж при застосуванні Гаусового фільтру, який пропонується у традиційних дослідженнях. PSNR за результатами обробки зображень вибоїн білінійним фільтром на 15,5% більше ніж при застосуванні Гаусового фільтру. Такі результати свідчать про можливості ефективного застосування цих фільтрів на практиці для попередньої швидкої обробки великих масивів зображень подібних дефектів

Біографії авторів

Ігор Павлович Гамеляк, Національний транспортний університет

Доктор технічних наук, професор

Кафедра системного проєктування об’єктів транспортної інфраструктури та геодезії

Анна Миколаївна Харченко, Національний транспортний університет

Доктор технічних наук, професор

Кафедра транспортного будівництва та управління майном

Андрій Миколайович Дмитриченко, Національний транспортний університет

Кандидат технічних наук, доцент

Кафедра транспортного права та логістики

Віталій Володимирович Сватко, Національний транспортний університет

Кандидат технічних наук, доцент

Кафедра інформаційних систем і технологій

Тарас Михайлович Мороз, ДП «Дорожній науково-технічний центр»

Начальник центру

Центр випробувань

Посилання

  1. Finogeev, A., Deev, M., Finogeev, A., Parygin, D. (2024). Recognition and Clustering of Road Pavement Defects by Deep Machine Learning Methods. Machine Learning Methods in Systems, 472–505. https://doi.org/10.1007/978-3-031-70595-3_48
  2. Yu, J., Jiang, J., Fichera, S., Paoletti, P., Layzell, L., Mehta, D., Luo, S. (2024). Road Surface Defect Detection – From Image-Based to Non-Image-Based: A Survey. IEEE Transactions on Intelligent Transportation Systems, 25 (9), 10581–10603. https://doi.org/10.1109/tits.2024.3382837
  3. Alrajhi, A., Roy, K., Qingge, L., Kribs, J. (2023). Detection of Road Condition Defects Using Multiple Sensors and IoT Technology: A Review. IEEE Open Journal of Intelligent Transportation Systems, 4, 372–392. https://doi.org/10.1109/ojits.2023.3237480
  4. Munawar, H. S., Hammad, A. W. A., Haddad, A., Soares, C. A. P., Waller, S. T. (2021). Image-Based Crack Detection Methods: A Review. Infrastructures, 6(8), 115. https://doi.org/10.3390/infrastructures6080115
  5. Chen, Y., Liang, J., Gu, X., Zhang, Q., Deng, H., Li, S. (2021). An improved minimal path selection approach with new strategies for pavement crack segmentation. Measurement, 184, 109877. https://doi.org/10.1016/j.measurement.2021.109877
  6. Tian, C., Zheng, M., Zuo, W., Zhang, B., Zhang, Y., Zhang, D. (2023). Multi-stage image denoising with the wavelet transform. Pattern Recognition, 134, 109050. https://doi.org/10.1016/j.patcog.2022.109050
  7. Levada, A. L. M. (2021). Non-local medians filter for joint Gaussian and impulsive image denoising. 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI), 152–159. https://doi.org/10.1109/sibgrapi54419.2021.00029
  8. Goyal, B., Dogra, A., Sangaiah, A. K. (2022). An effective nonlocal means image denoising framework based on non-subsampled shearlet transform. Soft Computing, 26 (16), 7893–7915. https://doi.org/10.1007/s00500-022-06845-y
  9. de Brito, A. R., Levada, A. L. M. (2023). Dual Non-Local Means: a two-stage information-theoretic filter for image denoising. Multimedia Tools and Applications, 83 (2), 4065–4092. https://doi.org/10.1007/s11042-023-15339-4
  10. Sharabati, W., Xi, B. (2018). A neighborhood regression approach for removing multiple types of noises. EURASIP Journal on Image and Video Processing, 2018 (1). https://doi.org/10.1186/s13640-018-0259-9
  11. Devi, S., Santhosh, A. (2025). A Multifunctional Technique for Image Enhancement Using Non-Local Means and Anisotropic Diffusion. 2025 6th International Conference on Inventive Research in Computing Applications (ICIRCA), 1335–1339. https://doi.org/10.1109/icirca65293.2025.11089771
Розробка підходу до підбору методів фільтрації до відповідних зображень дефектів автомобільних доріг

##submission.downloads##

Опубліковано

2025-12-31

Як цитувати

Гамеляк, І. П., Харченко, А. М., Дмитриченко, А. М., Сватко, В. В., Мороз, Т. М., & Сіхневич, С. Г. (2025). Розробка підходу до підбору методів фільтрації до відповідних зображень дефектів автомобільних доріг. Eastern-European Journal of Enterprise Technologies, 6(2 (138), 42–51. https://doi.org/10.15587/1729-4061.2025.343208

Номер

Том 6 № 2 (138) (2025): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2025 Igor Gameliak, Anna Kharchenko, Andrew Dmytrychenko, Vitalii Svatko, Taras Moroz, Sviatoslav Sikhnevych

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.