I en ny avhandling har Roxan Saleh, forskarstuderande vid Högskolan Dalarna, fördjupat sig i forskning inom maskininlärning av vägmärken. Genom att analysera omfattande datamängder från olika vägmärken har hon undersökt hur retroreflektion och färg gradvis försämras över tid och hur det påverkar deras synbarhet. Data har samlats in från Sverige, Kroatien och Danmark och sedan utvärderats hur väl vägmärken behåller sina egenskaper över tid och under olika miljöförhållanden.
– Med maskininlärning kan vi förutsäga och optimera underhåll av vägmärken mer effektivt. Med ökad förståelse för vägmärkenas livslängd och synlighet kan vi skapa säkrare vägar för alla, säger Roxan Saleh, som är civilingenjör i väg- och vattenbyggnad.
Roxan har förenat sina doktorsstudier med sin roll som vägutrustningsspecialist på Trafikverket. Det innebär att forskningsresultaten direkt kan gynna utvecklingen av säkra och hållbara vägmärken. Resultaten är inte bara viktiga för trafikmyndigheter och beslutsfattare, utan också för trafikanternas säkerhet och samhällets välbefinnande.
Modellerna kan vara avgörande för att uppdatera reglerna kring utformning och underhåll av vägmärken. Det kan leda till förbättrad trafiksäkerhet genom förbättringar av vägmärkens design, livslängd och synlighet.
– Maskininlärnings modellerna har potential att ersätta de traditionella metoderna för att mäta retroreflektivitet och färgkromaticitet, vilka är riskfyllda, kostsamma och tidskrävande. De nya insikterna kan också bidra till förbättrade underhållsstrategier och ökad säkerhet inom stadsutvecklings- och infrastrukturprojekt, säger Roxan Saleh.
Fakta: Vägmärkens livslängd och synlighet
- Färgen och retroreflektivitet spelar en nyckelroll för synligheten av vägmärken. Med hjälp av lämplig retroreflekterande yta förbättras nattsynligheten avsevärt.
- Livslängden, baserat på retroreflektion, för vägmärken i olika färger varierar. I Sverige varierar det från 16 år för röda till 45 år för gula vägmärken.
- I Kroatien är vägmärkens livslängd, som bestäms av retroreflektion, kortare än i Sverige, vilket visar på nödvändigheten av tidigare underhåll.
- Användningen av maskininlärning för att förutsäga nedbrytningen av vägmärken öppnar upp för effektivare och kostnadseffektivare underhållsstrategier.
Läs avhandlingen: Towards Smart Maintenance : Machine-Learning Based Prediction of Retroreflectivity and Color of Road Traffic Signs (diva-portal.org)