Block pavements are widely used in various infrastructures, offering durability and aesthetic appeal. However, assessing their condition through manual methods is resource-intensive and subjective. This study proposes a deep learning approach using the Hybrid TransUNet model to enhance the accuracy and efficiency of detecting block pavement distresses. A dataset of over 10,000 images was used to train and test binary and multiclass segmentation models, significantly improving detection accuracy. The results show that the Hybrid TransUNet model outperforms other models, though challenges in detecting certain distress types like cracks persist.

PURPOSES : This study intended to derive a methodology that can evaluate water splash caused by distress on the road surface based on experimental methods and to present quantitatively by analyzing the impact on road users. METHODS : Through literature review, the current problems of road pavement and drainage facility standards, the factors of road splash caused by puddle was selected to measure damage. Field measurements were conducted by setting different conditions for each factors and setting different conditions based on the hypothesis. In addition, water splash by surface distress type and puddle was measured to analyze using statistical techniques from correlation to multi-regression. RESULTS : The maximum and effective distance due to road splash increases as the driving speed, regardless of vehicle load and tyre type. Splash was measured according to the type of road distress to analyze the correlation between the influencing factors, and there was a weak correlation between the width and length of the puddle, depth and the effective distance. In addition, the interaction analysis showed that there was an interaction between the width of the water hole and the depth of puddle. Moreover, based on the multi-regression analysis, it was not statistical significant. This is judged to that the number of data samples used for this analysis is limited because the diversity of puddle conditions cannot be set differently for each type of distress. CONCLUSIONS : Since the distress of depending on the size, depth and shape of the road surface, it is necessary to calculate it and present maintenance standards, so this results present an experimental methodology that can intuitively evaluate damage cased by unestablished puddle. From this results, this is expected to be used as a quantitative indicator to evaluate the satisfaction of road users as a functional performance according to road surface condition.

Three CNN (Convolutional Neural Network) models of GoogLeNet, VGGNet, and Alexnet were evaluated to select the best deep learning based image analysis mothod that can detect pavement distresses of pothole, spalling, and punchout on expressway. Education data was obtained using pavement surface images of 11,056km length taken by Gopro camera equipped with an expressway patrol car. Also, deep learning framework of Caffe developed by Berkeley Vision and Learning Center was evaluated to use the three CNN models with other frameworks of Tensorflow developed by Google, and CNTK developed by Microsoft. After determing the optimal CNN model applicable for the distress detection, the analyzed images and corresponding GPS locations, distress sizes (greater than distress length of 150mm), required repair material quantities are trasmitted to local maintenance office using LTE wireless communication system through ICT center in Korea Expressway Corporation. It was found out that the GoogLeNet, AlexNet, and VGG-16 models coupled with the Caffe framework can detect pavement distresses by accuracy of 93%, 86%, and 72%, respectively. In addition to four distress image groups of cracking, spalling, pothole, and punchout, 22 different image groups of lane marking, grooving, patching area, joint, and so on were finally classified to improve the distress detection rate.

본 논문은 국내의 콘크리트 교면포장에 주로 발생하는 아스팔트 포장의 파손유형들에 대한 현황 분석과 교량 상판과 포장의 상호작용 해석을 실시하여 주된 파손유형을 제시하고자 한다 연구의 범위는 PSCI형교, 철근콘크리트 슬라브교와 라멘교를 각각 대상으로 하였다. 조사결과 콘크리트 교면 아스팔트 포장의 주요 파손들은 소성변형, 포트홀 그리고 피로균열 순으로 확인되었다. 또한 교면 아스팔트 포장에 발생되는 피로균열의 경우 주된 파손인자가 교통하중의 반복보다는 포장의 노후화나 재료의 박리와 같은 재료 문제로 추정되며 실제조사에서도 콘크리트 교량의 경우 미세한 파손의 빈도가 높고 박리가 있는 지점에서 균열이 상대적으로 많이 발생되었다.

포장의 공용성에 영향을 미치는 주요파손은 소성변형, 피로균열, 종단평탄성이다. 따라서 이들 세가지 파손량에 영향을 미치는 요인들을 분석하고 예측모델을 개발하는 것이 포장의 공용성 관리면에서 중요하다. 본 논문에서는 미국에서 개발되어 다양한 포장구간에 대한 광범위한 데이터가 축적되어 있는 DataPave 프로그램을 이용하여 세가지 파손량과 각각에 영향을 미치는 인자들을 추출한 후 파손 예측모델을 개발하였다. 개발된 모델의 입력변수들이 각각의 파손량에 미치는 영향을 파악하기 위해 민감도분석을 수행하였다. 소성변형 예측모델의 민감도분석결과 아스팔트함량, 공극율, 노상의 최적함수비가 주요영향인자로 나타났으며, 피로균열예측모델의 경우 아스팔트점도, 아스팔트함량, 공극율 순으로 나타났다. 종단평탄성 예측모델 분석결과 아스팔트점도, 노상골재의 200번체 통과율, 아스팔트함량 순으로 영향을 미치는 것을 알 수 있었다.

포장의 공용성에 영향을 미치는 주요파손은 소성변형, 피로균열, 종단평탄성이다. 따라서 이들 세가지 파손량에 영향을 미치는 요인들을 분석하고 예측모델을 개발하는 것이 포장의 공용성 관리면에서 중요하다. 본 논문에서는 미국에서 개발되어 다양한 포장구간에 대한 광범위한 데이터가 축적되어 있는 DataPave 프로그램을 이용하여 세가지 파손량과 각각에 영향을 미치는 인자들을 추출한 후 파손 예측모델을 개발하였다. 개발된 모델의 입력변수들이 각각의 파손량에 미치는 영향을 파악하기 위해 민감도분석을 수행하였다. 소성변형 예측모델의 민감도분석결과 아스팔트함량, 공극율, 노상의 최적함수비가 주요영향인자로 나타났으며, 피로균열예측모델의 경우 아스팔트점도, 아스팔트함량, 공극율 순으로 나타났다. 종단평탄성 예측모델 분석결과 아스팔트점도, 노상골재의 200번체 통과율, 아스팔트함량 순으로 영향을 미치는 것을 알 수 있었다.

본 연구에서는 국도 아스팔트 포장의 포장파손예측모델을 개발하기 위한 장기 공용성 관측 구간을 선정하였다. 관측 구간의 선정을 위하여 신설 포장 구간 및 덧씌우기 포장 구간에 대한 실험계획표를 작성하였고, 실험계획표의 각 셀에 해당되는 구간은 국도 데이터 베이스를 이용하여 예비 관측 구간을 선정하였고, 현장 조사를 통하여 최종 관측 구간을 선정하였다. 선정된 관측 구간의 단위 연장은 200m이며, 신설 포장 구간 47개소 및 덧씌우기 포장 구간 48개소가 선정되었다. 선정된 관측 구간에 대하여 시간의 변화 또는 교통량의 변화에 따른 포장 상태를 바탕으로 균열 및 러팅에 관한 1차 분석 작업을 진행하였다. 향후 포장 관련 다양한 정보가 데이터 베이스에 구축된 후 통계분석을 통하여 포장 파손 예측 모형이 개발되어야 할 것이다.

본 연구에서는 국도 아스팔트 포장의 포장파손예측모델을 개발하기 위한 장기 공용성 관측 구간을 선정하였다. 관측 구간의 선정을 위하여 신설 포장 구간 및 덧씌우기 포장 구간에 대한 실험계획표를 작성하였고, 실험계획표의 각 셀에 해당되는 구간은 국도 데이터 베이스를 이용하여 예비 관측 구간을 선정하였고, 현장 조사를 통하여 최종 관측 구간을 선정하였다. 선정된 관측 구간의 단위 연장은 200m이며, 신설 포장 구간 47개소 및 덧씌우기 포장 구간 48개소가 선정되었다. 선정된 관측 구간에 대하여 시간의 변화 또는 교통량의 변화에 따른 포장 상태를 바탕으로 균열 및 러팅에 관한 1차 분석 작업을 진행하였다. 향후 포장 관련 다양한 정보가 데이터 베이스에 구축된 후 통계분석을 통하여 포장 파손 예측 모형이 개발되어야 할 것이다.

본 연구에서는 신속하고 편리한 고속도로 유지관리를 위해 주행 중인 차량에서 실시간으로 영상을 수집하고 분석하여 현장의 노면 포장 상태를 모니터링하고 손상을 탐지하는 딥러닝 기반의 고속도로 포장 손상 조사 기술에 대해 소개한다.