Cara Efektif Memantau Kondisi Jalan dengan Biaya Efisien

Cara efektif memantau kondisi jalan dengan biaya efisien dengan menggunakan teknologi deteksi 3D.  Hasilnya pun lebih tepat, cermat, akurat, dan optimal meski kondisi data berpotensi menjadi hambatan. Penggunaan teknologi 3D berguna untuk tranportasi yang juga memanfaatkan jaringan syaraf tiruan.

Bagaimana cara mengetahui kondisi struktur dan infrastruktur yang besar seperti rute lalu lintas, bangunan, lahan pertanian, dan sebagainya? Cara efektif memantau kondisi jalan dengan biaya efisien.

Selama ini—sebelum teknologi pemindai data dengan 3D—dilakukan dengan cara menggambar yang berulang kali secara konvensional (manual), dan hasil analisisnya pun manual.

Cara itu membutuhkan waktu yang lama dengan biaya mahal. Tim ahli Fraunhofer IPM telah menggunakan pendekatan dengan cara mempembelajari teknologinya secara mendalam.

Bangunan, sarana jalan dan fasilitas infrastruktur, dam, daerah pertanian, irigasi, dan lain-lain merupakan aset yang harus didatakan secara akurat. Tim ahli telah  berhasil mengotomatisasi analisis dan interpretasi data yang kompleks secara real time dan hasilnya akurat.

“Hingga saat ini, analisis data menjadi faktor pembatas saat tim mengukur struktur (objek) yang demikian besar dan luas,” demikian Prof. Dr. Alexander Reiterer, Kepala Unit Bisnis Deteksi Objek dan Bentuk di PHL IPO.

Ia menambahkan analisis data yang cepat dengan ongkos yang irit dapat dilakukan secara otomatis, dan signifikan serta hasil analisis itu justru memperluas area penerapan deteksi data dengan teknologi 3D pada masa depan.

Sebagai metode pembelajaran dari cara kerja mesin, seperti belajar secara mendalam dengan bantuan kecerdasan buatan yang sepenuhnya bergantung pada algoritma kecerdasan.

Himpunan data yang dihasilkan digunakan untuk mengidentifikasi dan mengklasifikasikan objek misalnya untuk  mengenal permukaan jalan yang tertuang pada gambar (hasil deteksi 3D).

Dalam kerangka pengembangan secara mendalam yang dilakukan oleh tim Fraunhofer IPM, algoritma pembelajaran mampu mengevaluasi data 3D secara otomatis. Pendekatan ini dilakukan berdasarkan penggunaan jaringan syaraf tiruan.

Dibandingkan dengan metode pengenalan benda klasik, kerangka pembelajaran yang mendalam terbukti lebih kuat bila dibandingkan dengan berbagai bentuk dan objek yang tidak jelas karena rusak atau pudar.

Beberapa tahun lalu, tim membutuhkan waktu beberapa bulan untuk melatih penggunaan metode algoritme. Berkat hasil penelitian yang luas, proses ini mungkin dilakukan hanya dalam beberapa jam.

Kumpulan data yang baru dapat dievaluasi secara real time dengan menggunakan jaringan syaraf tiruan secara terlatih.

Dengan jaringan syarat tiruan, informasi melewati banyak neuron buatan dan saling terkait yang kemudian diproses dan dikirim ke neuron lainnya.

Jaringan syarat tiruan  mempelajari pola output yang sesuai dengan pola masukan spesifik dengan bantuan data pelatihan anotasi yang manual. Atas dasar pengalaman ini, input data baru  dapat dianalisis secara real time.

Data kamera atau pemindai, serta data yang menyatu, dapat menyediakan big data untuk pengenalan objek secara otomatis.

Titik data pemindai georeferensi dipindahkan ke format grid yang berisi informasi mendalam yang kemudian dihubungkan dengan data kamera RGB (Red, Green and Blue).

Jika tersedia data pemindai berkualitas tinggi hal itu langsung diintegrasikan ke dalam framework.

Dengan demikian jenis data yang tersedia akan selalu menentukan pendekatan yang paling sesuai untuk dilakukan. Cara efektif memantau kondisi jalan dengan biaya efisien (Bahan dilolah dari laman Fraunhofer IPM)