PURPOSES : This study aims to develop and evaluate computer vision-based algorithms that classify the road roughness index (IRI) of road specimens with known IRIs. The presented study develops and compares classifier-based and deep learning-based models that can effectively determine pavement roughness grades. METHODS : A set road specimen was developed for various IRIs by generating road profiles with matching standard deviations. In addition, five distinct features from road images, including mean, peak-to-peak, standard variation, and mean absolute deviation, were extracted to develop a classifier-based model. From parametric studies, a support vector machine (SVM) was selected. To further demonstrate that the model is more applicable to real-world problems, with a non-integer road grade, a deep-learning model was developed. The algorithm was proposed by modifying the MNIST database, and the model input parameters were determined to achieve higher precision. RESULTS : The results of the proposed algorithms indicated the potential of using computer vision-based models for classifying road surface roughness. When SVM was adopted, near 100% precision was achieved for the training data, and 98% for the test data. Although the model indicated accurate results, the model was classified based on integer IRIs, which is less practical. Alternatively, a deep-learning model, which can be applied to a non-integer road grade, indicated an accuracy of over 85%. CONCLUSIONS : In this study, both the classifier-based, and deep-learning-based models indicated high precision for estimating road surface roughness grades. However, because the proposed algorithm has only been verified against the road model with fixed integers, optimization and verification of the proposed algorithm need to be performed for a real road condition.

본 연구는 자전거도로 시스템이 활성화되어 있는 창원시를 대상으로 자전거 도로의 물리적 환경에 대한 공간 데이터를 구축하여 자전거도로 환경을 분석하고자 하였다. 물리적 환경을 평가하기 위한 지표는 문헌분석을 통하여 도출하였으며 각 평가 지표의 중요도 평가 및 가중치 설정을 위하여 전문가조사를 실시하였다. 최종적으로 도출된 8개의 물리적 환경 평가지표를 활용하여 현장 조사를 실시하였으며 수집된 자료는 ArcGIS Program을 이용하여 등급화 하였다. 평가지표별로 높은 점수를 획득한 구간의 면적비율은 녹시율(40%이상, 9.3%), 연결성(1.8이상, 9.8%), 자전거도로 유형(자전거 전용도로, 25.4%), 포장유형(아스팔트, 72.5%), 불법주차(무, 93.9%), 노면표시(유, 46.8%), 제한속도(30km 이하, 48.5%), 교통량(500/hr 이하, 44.3%)으로 나타났다. 8개의 평가지표를 중첩한 결과 1등급의 구간은 31-35점으로 대상지의 전체 도로 면적에서 12.4%로 나타났으며 득점요인은 도로의 유형과 녹시율로 나타났다. 또한 평균 녹시율이 35% 이상으로 나타나 자전거 이용에 있어 안전성과 쾌적성이 높은 것으로 분석되었다. 15점 미만을 획득한 5등급 구간의 경우 전체 도로면적의 24.5%를 차지하며 주요 요인은 불법 주정차, 노면표시 미비, 낮은 녹시율로 나타났다.

도로 설계는 자연 지형에 순응하도록 선형을 결정함으로써 경제적이며 환경적인 피해가 최소화되는 도로 건설이 이루어지도록 할 필요가 있다. 현 도로설계기준은 지형을 평지와 산지로만 구분하고 있으나 국토의 25.8%가 구릉지이며 미국이나 호주 등 선진국의 경우도 지형을 평지, 구릉지, 산지로 세분화하여 자연 지형에 최대한 부합되는 설계를 유도하고 있음을 감안 시 구릉지를 포함한 세분화된 기준이 필요하다. 본 연구는 원지반의 기복량을 지표로 세 가지 독립된 지형간의 구분 기준을 정량적으로 제시하였다. 세분화된 지형 정의를 전제로 지형을 구분할 수 있는 방안에 대한 개념적 틀을 세우고 이를 도로설계 사례분석 등을 토대로 검토하였다. 연구 결론으로, 평지는 설계 단위구간(1km) 내 지반고 최고점과 최저점의 차이가 40m 미만, 구릉지는 40~60m 이내, 산지는 60m를 초과하는 것으로 제안하였다.