基于无人机影像的像素级跑道路面裂缝分割的深度神经网络方法
计算机视觉与模式识别
2020-01-13 v1 图像与视频处理
摘要
路面状况是资产管理的关键方面，并直接影响安全。本研究引入一种称为 U-Net 的深度神经网络方法，基于无人机捕获的影像进行路面裂缝分割，以降低机场跑道巡检所需的成本与时间。所提出的方法也可用于道路上车辆稀少的非高峰时段的公路路面状况评估。在本研究中，使用无人机从马萨诸塞州的菲奇堡市机场（FMA）在不同高度采集跑道路面影像，以评估其质量及对裂缝分割的适用性，并由此确定最优高度。随后使用在最优高度捕获的无人机影像评估 U-Net 模型的裂缝分割性能。深度学习方法通常需要大量标注训练数据集以进行模型开发，这可能成为其应用的主要障碍。本研究使用一个在线标注路面影像数据集与 FMA 数据共同训练 U-Net 模型。结果表明，即使在 FMA 训练影像有限的情况下，U-Net 在 FMA 测试数据上仍表现良好，说明其具有良好的泛化能力，在机场跑道与公路路面应用中均有巨大潜力。
引用
@article{arxiv.2001.03257,
title = {A Deep Neural Networks Approach for Pixel-Level Runway Pavement Crack Segmentation Using Drone-Captured Images},
author = {Liming Jiang and Yuanchang Xie and Tianzhu Ren},
journal= {arXiv preprint arXiv:2001.03257},
year = {2020}
}
备注
13 pages, 5 figures