Мониторинг деформаций дорожного покрытия стереофотограмметрическим методом с использованием алгоритмов ICP

Введение. Для объективной оценки состояния автомобильных дорог и своевременного принятия мер по борьбе с возникающими деформациями должен происходить регулярный мониторинг дорожного покрытия. Классические методы обследования долгое время включали только визуальный осмотр, в то время как развивающиеся в дорожной одежде микротрещины могли быть долгое время незаметны и впоследствии привести к большим операционным издержкам при ремонтах. Актуальной задачей является разработка методики мониторинга состояния автомобильных дорог, позволяющей выявлять изменения геометрии дорожного покрытия, включая анализ микрорельефа.

Методы и материалы. В современной практике для подробной оценки состояния дорожного покрытия используется трехмерное представление поверхности в виде массива точек лазерных отражений, полученных методами наземного и мобильного лазерного сканирования. Отслеживать и оценивать изменения дорожного покрытия, в том числе деформации, можно путем сравнения разновременных облаков точек, полученных стереофотограмметрическим методом. При этом необходимо минимизировать влияние погрешности внешнего ориентирования разновременных облаков, с помощью их взаимного ориентирования. Использовался опытный образец, оснащенный полнокадровой цифровой камерой и геодезическим приемником ГНСС. Между съемками, выполненными двумя маршрутами с разницей примерно в час, изменения на асфальтном покрытии в течение указанного времени были смоделированы с помощью специальных макетов для выполнения мониторинга, чтобы в материалах съемок были отображены как реальные деформации покрытия, так и сымитированные изменения. Получены облака точек, каждое облако включало более 40 млн точек, для оптимизации процессов анализа они были прорежены до плотности 5 мм и обрезаны по границам исследуемого участка. Определение координат центров проекции снимков выполнялось в режиме RTK. Прореженные облака точек были импортированы в ПО Cloud Compare (ENST, Франция) для выполнения анализа.

Результаты. Для исследования были построены фотограмметрические модели съемок, облака точек которых наложены друг на друга по элементам внешнего ориентирования. Анализ показывает отклонения, по которым уравнивание результатов наложений облаков точек невозможно. С применением алгоритма ICP приведен повторный анализ облаков точек после взаимного ориентирования, стабильным контуром сдвигая второе облако относительно первого, макеты, расставленные после первой съемки, показали реальные изменения. Установлено, что точность построения облаков по исходным параметрам внешнего ориентирования снимков недостаточна, а после интеграции облако точек с помощью алгоритмов ICP очевидны инструменты улучшения отображения.

Обсуждение и заключение. Существуют фотограмметрические съёмочные системы, достаточно простые в обращении и довольно недорогостоящие, на примере представленной модели. Установлено, что если за исходные данные принять только координаты центров проекций, полученные методом ГНСС определений, то точность ориентирования облаков точек будет недостаточной именно для мониторинга за деформациями, но при этом система имеет простоту конструкции, а применив современные алгоритмы ICP, возможно выполнить взаимное ориентирование двух разных временных съёмок с получением миллиметровой точности деформационных изменений. По снимкам можно выявлять трещины дорожного покрытия в динамике и прогнозировать изменения дорожной одежды. Применение образца системы как довольно недорогостоящего, простого оборудования возможно для нужд городского хозяйства, а также для оценки деформаций на участках (прокола прохода коммуникации, падение снаряда на участок дороги), для принятия мер оперативного реагирования.

1. Тимофеев Е.Н., Севостьянов А.А., Сокольников А.В. Создание цифровой модели железнодорожного пути с использованием беспилотных летательных аппаратов // Вестник Сибирского государственного университета путей сообщения. 2024. № 1(68). С. 73–82.https://doi.org/10.52170/1815-9265_2024_68_73

2. Алтынцева М.А., Комиссаров А.В., Алтынцев М.А. Автоматизированная сегментация и классификация данных мобильного лазерного сканирования для векторизации контурной части топографического плана городской территории // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2024. Т. 29, № 6. С. 32–43. https://doi.org/10.33764/2411-1759-2024-29-6-32-43

3. Василенко Д.В. Разработка алгоритма классификации плотных облаков точек на примере городской застройки // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2024. Т. 29, № 6. С. 44–52. https://doi.org/10.33764/2411-1759-2024-29-6-44-52

4. Сквазников М.А., Колыгин Д.Л. Оценивание информативности разнородных признаков объектов дистанционного зондирования Земли // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2024. Т. 29, № 5. С. 80–91. https://doi.org/10.33764/2411-1759-2024-29-5-80-91

5. Иванов В.Г., Кузина Е.И., Гоманов Д.Е. [и др.]. Мониторинг изменений местности по разновременным аэрокосмическим изображениям с применением технологий глубокого обучения нейронных сетей // Геодезия и картография. 2025. Т. 86, № 5. С. 39–46. https://doi.org/10.22389/0016-7126-2025-1019-5-39-46

6. Алтынцев М.А. Методика интеграции данных мобильного лазерного сканирования и аэрофотосъемки для создания цифровой модели местности // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2022. Т. 27, № 5. С. 5–18. https://doi.org/10.33764/2411-1759-2022-27-5-5-18

7. Sahebdivani S., Arefi H., Maboudi M. Railtrack detection and projection-based 3D-modeling from UAV point cloud // Sensors. 2020. Pt. 20, No. 18. P. 1-15.

8. Lesiak P. Inspection and maintenance of railway infrastructure with the use of unmanned aerial vehicles // Problemy Kolejnictwa. 2020. No. 188. P. 115-127.

9. Rampriya R.S., Suganya R., Sabari Nathan P. Shunmuga Perumal A comparative assessment of deep neural network models for detecting obstacles in the real time aerial railway track images // Applied Artificial Intelligence. 2022. Pt. 36, No. 1. P. 1-34.

10. Hassan A.T., Fritsch D.Integration of laser scanning and photogrammetry in 3d/4d cultural heritage preservation - a review // International Journal of Applied Science and Technology. 2019. Vol. 9, No 2. P. 76-91.

11. Rönnholm P., Honkavaara E., Litkey P., Hyyppä H., HyyppäJ. Integration of laser scanning and photogrammetry // ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007. 2007. Vol. XXXVI, Part 3 /W52, 2007. P. 355-362.

12. Алтынцев М.А. Методика интеграции данных наземного и воздушного лазерного сканирования // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2023. Т. 67, № 1.С. 26–41. https://doi.org/10.30533/GiA-2023-007

13. Urso M.G.D., RussoG. Ontheintegrateduse of laser-scanning and digital photogrammetry appliedtoanarchaeologicalsite // International Archives of ISPRS. 2008. Vol. XXXVII-B5. P. 1107-1112.

14. Han Y., Oh J. Automated geo/co-registration of multi-temporal very-high-resolution imagery // Sensors. 2018. Vol. 18. No 1599. https://doi.org/10.3390/s18051599

15. Гук А.П., Алтынцев М.А. Автоматическая идентификация соответственных точек на аэроснимках лесных массивов // Вестник СГУГиТ. 2017. Т. 22, № 4. С. 68–77.

16. Василенко Д.В., Пермяков Р.В. Классификация фотограмметрических облаков точек, полученных по стереопарам космических снимков в ЦФС PHOTOMOD, для решения градостроительных задач // Геодезия и картография. 2025.Т. 86, № 4. С. 40–47. https://doi.org/10.22389/0016-7126-2025-1018-4-40-47

17. Thomas H., Tsai Y.-H.H., Barfoot T. D., Zhang J. KPConvX: modernizing kernelpointconvolutionwithkernelattention. 2024 IEEE / CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 5525-5535. https://doi.org/10.1109/CVPR52733.2024.00528

18. Thomas H., Qi C. R., Deschaud J.-E., Marctegui B., Goulette F., Guibas L. (2019) KPConv: flexible and deformable convolution for point clouds. Proceedings of the IEEE International Conference on Computer Vision, pp. 6410-6419. https://doi.org/10.1109/iccv.2019.00651

19. Щербаков В.В. Исследование мобильного лазерного сканера «Сканпуть» при определении геопространственного положения железнодорожного пути // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2020. Т. 25, № 2. С. 98–108. https://doi.org/10.33764/2411-1759-2020-25-2-98-108

20. Щербаков В.В., Бунцев И.А., Щербаков И.В. [и др.]. Система мобильного лазерного сканирования для железных и автомобильных дорог // Вестник Сибирского государственного университета путей сообщения. 2024. № 5(72). С. 106–115. https://doi.org/10.52170/1815-9265_2024_72_106

21. Нехин С.С., Рубенок А.Н., Бабашкин Н.М., Ковров А.А. Техническое регулирование процессов лазерного сканирования // Геодезия и картография. 2025. Т. 86, № 10. С. 45–54. https://doi.org/10.22389/0016-7126-2025-1024-10-45-54

22. Зорина В.В., Энтин А.Л., Курамагомедов Б.М. Оценка точности результатов корегистрации цифровых моделей поверхности высокого пространственного разрешения // Геодезия и картография. 2025. Т. 86, № 11. С. 17–26. https://doi.org/10.22389/0016-7126-2025-1025-11-17-26

23. Харченко С.В. Способ корегистрации цифровых моделей высот для получения гидрологически корректного представления земной поверхности // Геоморфология и палеогеография. 2023. Т. 54, № 3. С. 150–154.

24. Федоровский А.А., Быков Л.В. Влияние параметров конфигурации съемочной сети на точность наземной стереофотограмметрической съемки с прямой пространственной привязкой // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2024. Т. 68, № 2. С. 17–29. https://doi.org/10.30533/GiA-2024-009

25. Алтынов А.Е., Мохаммад А. Исследование влияния вариаций навигационных параметров съемочной системы (аэрофотосъемки, лазерного сканера) на точность создания ЦММ с помощью имитационного моделирования // Успехи современного естествознания. 2022. № 5. С. 110–120. https://doi.org/10.17513/use.37833

26. Slocum R.K., Parrish C.E. Simulated imagery rendering workflow for UAS-based photogrammetric 3D reconstruction accuracy assessments // Remote Sensing. 2017. Vol. 9. No. 4. P. 1-19. https://doi.org/10.3390/rs9040396