A data-driven road pavement segmentation framework

Abstract

Road pavement assessment has witnessed major advancements in the last decade due to the introduction of larger-scale data science methods and the emergence of Digital Twin technology. These advances bring attention to the current concept of road pavement segmentation in terms of efficiency and accuracy in evaluation from the data science perspective. Homogeneous segmentation involves the division of a long pavement section into smaller sections with similar characteristics, enabling the diagnosis and treatment of distresses related to its condition, and is usually performed through the Cumulative Differences Method (CDM), which considers only one structural parameter, e.g., the maximum deflection, to segment the highway. This study aims to propose new methodologies for road pavement segmentation through clustering methods, considering both structural and functional highway aspects. This work was divided into two stages. The first stage consisted of evaluating several methods of data rescaling, together with the Principal Component Analysis as a method of reducing the dimensionality of the data, to compose a data pre-processing methodology, followed by the data clustering through K-means. The second stage was an improvement of the first, applying the most appropriate data rescaling methods, for later clustering purposes, Normalizer and MinMax, followed by two methodologies that use HDBSCAN clustering, one for management, covering 469km of highway, and one for project design, being tested in 10 sections of 20km each. This step was approached to counter the current CDM, performing visual and statistical comparisons, such as average Coefficients of Variation per segment and Analysis of Variance (ANOVA). The results of the first stage demonstrate that the K-means clustering, despite being an interesting tool for highway management, does not achieve results of a sequential segmentation of data, as the geographic vector is an important variable of this study. The second stage demonstrates the efficiency of HDBSCAN clustering in performing geographically oriented segmentations while also addressing structural and functional pavement parameters, thereby demonstrating the potential to obtain a macro perspective of the highway’s condition. It allows a more comprehensive strategic maintenance planning and demonstrated to be a better methodology for project design, overcoming the CDM in several statistical tests, resulting, through ANOVA, in all p-values within the 95% confidence interval, and average coefficients of variation per segment, for Maximum Deflection, International Roughness Index (IRI), Rut Depth and Cracking, respectively, equal to 87.8%, 84.7%, 76.2% and 84.0% of the values found through CDM, demonstrating excellent potential as a new methodology for road pavement segmentation.

A avaliação de pavimentos rodoviários testemunhou grandes avanços na última década devido à introdução de métodos de ciência de dados em maior escala e a emergência da tecnologia de Gêmeos Digitais. Estes avanços trazem a atenção para o atual conceito de segmentação homogênea de rodovias, em termos de eficiência e acurácia nas avaliações, sob a perspectiva da ciência de dados. A segmentação homogênea envolve a divisão de uma longa seção de pavimento em seções menores com características semelhantes, permitindo o diagnóstico e o tratamento de defeitos relacionados à sua condição, sendo usualmente realizada através do Método das Diferenças Acumuladas (MDA), este que considera apenas um parâmetro estrutural, a deflexão máxima, para segmentar a rodovia. Este estudo tem o objetivo de propor novas metodologias de segmentação homogênea de rodovias através de métodos de clusterização, considerando ambos os aspectos estruturais e funcionais das rodovias. Este trabalho é dividido em duas etapas. A primeira etapa consiste no estudo e avaliação de diversos métodos de redimensionamento dos dados, em conjunto da análise de componentes principais como método de redução de dimensionalidade dos dados, para compor uma metodologia de pré-processamento de dados, seguidos da clusterização dos dados por K-means. A segunda etapa é uma forma de evolução da primeira, aplicando os métodos de redimensionamento de dados mais adequados, para posterior clusterização, Normalizer e MinMax, seguidos por duas metodologias que utilizam da clusterização HDBSCAN, uma para gerenciamento, contemplando 469km de rodovia, e uma para projeto, sendo testada em 10 trechos de 20km cada. Esta etapa é abordada como meio de contrapor o atual MDA, realizando comparações visuais e estatísticas, como Coeficientes de Variação médios por segmento e Análise de Variância (ANOVA). Os resultados da primeira etapa demonstram que a clusterização Kmeans, apesar de aparentar ser uma interessante ferramenta para gerência de pavimentos, não atinge resultados de uma segmentação sequencial de dados, sendo o vetor geográfico uma variável importante deste estudo. A segunda etapa demonstra a eficiência da clusterização HDBSCAN em realizar segmentações geograficamente orientadas, enquanto também aborda parâmetros estruturais e funcionais de pavimentos, assim demonstrando potencial para a obtenção de uma perspectiva macro da condição da rodovia. Isto permite planejamentos estratégicos de manutenção mais abrangentes, e demonstrou ser uma melhor metodologia para projeto, superando o MDA em diversos testes estatísticos, resultando, através da ANOVA, em todos os valores p dentro do intervalo de confiança de 95%, e coeficientes de variação médios por segmento, para Deflexão Máxima, IRI, Afundamento nas Trilhas de Roda e Trincamento, respectivamente, iguais a 87.8%, 84.7%, 76.2% e 84.0% dos valores encontrados através do MDA, demonstrando excelente potencial como uma nova metodologia de segmentar rodovias.