一种计算机视觉辅助的实时道路基础设施自动化管理方法
计算机视觉与模式识别
2022-03-01 v1 机器学习
摘要
准确自动检测路面病害对于及时识别和修复诸如坑洼及其他表层沥青裂缝等可能引发事故的道路隐患至关重要。在资源匮乏地区部署此类系统更具优势，因为此类地区政府缺乏基础设施维护资金，通常导致因对道路隐患的人工巡检不足且不频繁而带来更高的致命交通事故风险。为此，电气与电子工程师协会（IEEE）于2020年5月作为其2020年全球道路破损检测（GRDC）挑战的一部分发布了一项倡议，公开了一个包含21,041张各类道路病害标注图像的新数据集，号召学术界及其他研究人员提交基于深度学习的创新方案以解决这些道路隐患检测问题。利用该数据集，我们提出了一种有监督目标检测方法，借助You Only Look Once（YOLO）与Faster R-CNN框架，通过车载仪表盘安装的智能手机摄像头实时检测并分类道路病害，取得了0.68的F1分数实验结果，在截至2021年12月参与该挑战的121支队伍中排名前5。
引用
@article{arxiv.2202.13285,
title = {A Computer Vision-assisted Approach to Automated Real-Time Road Infrastructure Management},
author = {Philippe Heitzmann},
journal= {arXiv preprint arXiv:2202.13285},
year = {2022}
}