Djupinlärningsbaserad sprickdetektion i vägbeläggningar: En jämförelse med LCMS
(2026) In CODEN: LUTVDG/(TVTT-5383)/1 83/2026 VTVM05 20252Transport and Roads
- Abstract (Swedish)
- Sprickor i asfaltsbeläggningar är en av de tidigare indikatorerna på strukturell nedbrytning och har betydelse för planering av vägunderhåll och trafiksäkerhet. Traditionella okulära inspektioner är resurskrävande och påverkas av subjektiva bedömningar samt yttre faktorer som ljus och väder. För att öka objektiviteten kan tekniska mätsystem såsom Laser Crack Measurement System (LCMS) användas vilket baserar sin sprickidentifiering främst på höjddata och algoritmer. Samtidigt skapar utvecklingen inom artificiell intelligens nya möjligheter för analys av vägdata.
Syftet med examensarbetet är att utvärdera hur en djupinlärningsbaserad metod kan användas för att automatiskt identifiera sprickor i vägytor utifrån LCMS-höjddata. Syftet är... (More) - Sprickor i asfaltsbeläggningar är en av de tidigare indikatorerna på strukturell nedbrytning och har betydelse för planering av vägunderhåll och trafiksäkerhet. Traditionella okulära inspektioner är resurskrävande och påverkas av subjektiva bedömningar samt yttre faktorer som ljus och väder. För att öka objektiviteten kan tekniska mätsystem såsom Laser Crack Measurement System (LCMS) användas vilket baserar sin sprickidentifiering främst på höjddata och algoritmer. Samtidigt skapar utvecklingen inom artificiell intelligens nya möjligheter för analys av vägdata.
Syftet med examensarbetet är att utvärdera hur en djupinlärningsbaserad metod kan användas för att automatiskt identifiera sprickor i vägytor utifrån LCMS-höjddata. Syftet är även att jämföra resultaten med LCMS:s inbyggda sprickidentifieringsalgoritm. Studien undersöker även modellens förmåga att kunna klassificera olika typer av sprickor baserat på skadegrad och orientering.
Arbetet omfattade litteraturstudie, datainsamling, manuell annotering av sprickor samt utveckling av två objektdetektionsmodeller baserade på YOLOv8 arkitekturen. Den första modellen tränades för binär sprickdetektion och användes för jämförelse med LCMS. Den andra modellen tränades för flerklassdetektion av sprickor. Modellernas prestanda utvärderades med precision, recall och mean average precision (mAP). Även visuell analys har utförts.
Resultaten visar att den djupinlärningsbaserade modellen effektivt kan identifiera sprickor utifrån höjdbilderna. Jämförelsen med LCMS visar skillnader och likheter i detekterade sprickor vilket indikerar för och nackdelar och kan därmed komplettera varandra. Flerklassmodellen visar att klassificering av spricktyper är möjlig, men påverkas av annoteringens subjektivtet, datamängd och sprickornas variation.
Studien visar att djupinlärning har stor potential som komplement till befintligt mätsystem inom vägunderhåll. Metoden är dock beroende av tillräcklig datamängd, noggrann annotering och anpassning till olika beläggningstyper. Fortsatt forskning bör inkludera större datamängder och fler vägtyper för att stärka modellernas generaliserbarhet. (Less) - Popular Abstract (Swedish)
- Små sprickor i vägar kan snabbt utvecklas till kostsamma skador, men de är svåra att upptäcka i tid. I detta arbete undersöks hur artificiell intelligens kan användas för att identifiera sprickor automatiskt och komplettera dagens teknik.
Please use this url to cite or link to this publication:
https://lup.lub.lu.se/student-papers/record/9225877
- author
- Baker, Semco LU
- supervisor
- organization
- alternative title
- Deep learning-based crack detection in road pavements - A comparison with LCMS
- course
- VTVM05 20252
- year
- 2026
- type
- H3 - Professional qualifications (4 Years - )
- subject
- keywords
- Sprickor, LCMS, Maskininlärning, Objektdetektion, Vägunderhåll, Sprickbildning
- publication/series
- CODEN: LUTVDG/(TVTT-5383)/1 83/2026
- report number
- 416
- ISSN
- 1653-1922
- language
- Swedish
- id
- 9225877
- date added to LUP
- 2026-05-18 08:36:29
- date last changed
- 2026-05-18 08:36:29
@misc{9225877,
abstract = {{Sprickor i asfaltsbeläggningar är en av de tidigare indikatorerna på strukturell nedbrytning och har betydelse för planering av vägunderhåll och trafiksäkerhet. Traditionella okulära inspektioner är resurskrävande och påverkas av subjektiva bedömningar samt yttre faktorer som ljus och väder. För att öka objektiviteten kan tekniska mätsystem såsom Laser Crack Measurement System (LCMS) användas vilket baserar sin sprickidentifiering främst på höjddata och algoritmer. Samtidigt skapar utvecklingen inom artificiell intelligens nya möjligheter för analys av vägdata.
Syftet med examensarbetet är att utvärdera hur en djupinlärningsbaserad metod kan användas för att automatiskt identifiera sprickor i vägytor utifrån LCMS-höjddata. Syftet är även att jämföra resultaten med LCMS:s inbyggda sprickidentifieringsalgoritm. Studien undersöker även modellens förmåga att kunna klassificera olika typer av sprickor baserat på skadegrad och orientering.
Arbetet omfattade litteraturstudie, datainsamling, manuell annotering av sprickor samt utveckling av två objektdetektionsmodeller baserade på YOLOv8 arkitekturen. Den första modellen tränades för binär sprickdetektion och användes för jämförelse med LCMS. Den andra modellen tränades för flerklassdetektion av sprickor. Modellernas prestanda utvärderades med precision, recall och mean average precision (mAP). Även visuell analys har utförts.
Resultaten visar att den djupinlärningsbaserade modellen effektivt kan identifiera sprickor utifrån höjdbilderna. Jämförelsen med LCMS visar skillnader och likheter i detekterade sprickor vilket indikerar för och nackdelar och kan därmed komplettera varandra. Flerklassmodellen visar att klassificering av spricktyper är möjlig, men påverkas av annoteringens subjektivtet, datamängd och sprickornas variation.
Studien visar att djupinlärning har stor potential som komplement till befintligt mätsystem inom vägunderhåll. Metoden är dock beroende av tillräcklig datamängd, noggrann annotering och anpassning till olika beläggningstyper. Fortsatt forskning bör inkludera större datamängder och fler vägtyper för att stärka modellernas generaliserbarhet.}},
author = {{Baker, Semco}},
issn = {{1653-1922}},
language = {{swe}},
note = {{Student Paper}},
series = {{CODEN: LUTVDG/(TVTT-5383)/1 83/2026}},
title = {{Djupinlärningsbaserad sprickdetektion i vägbeläggningar: En jämförelse med LCMS}},
year = {{2026}},
}