发展中国家路面病害检测的前沿：基于本地采集数据集的新型深度学习方法
计算机视觉与模式识别
2024-08-13 v1
摘要
发展中国家道路基础设施维护面临资源限制和多样化环境因素的独特挑战。本研究针对这些地区高效、准确且具有本地相关性的路面病害检测方法这一关键需求。我们提出了一种新型深度学习方法，将YOLO（You Only Look Once）目标检测模型与卷积块注意力模块（CBAM）相结合，以同时检测和分类多种路面病害类型。该模型在检测和分类坑洞、纵向裂缝、龟裂和松散等路面病害方面表现出稳健性能，置信度得分在0.46至0.93之间。虽然在复杂场景中出现了一些误分类，但这些结果为发展中国家路面评估的独特挑战提供了见解。此外，我们开发了一个基于Web的应用程序，可从图像和视频中进行实时病害检测。本研究推动了自动化路面病害检测的发展，并为发展中国家提供了定制化解决方案，有望改善道路安全、优化维护策略并促进可持续交通基础设施发展。
引用
@article{arxiv.2408.05649,
title = {Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets},
author = {Blessing Agyei Kyem and Eugene Kofi Okrah Denteh and Joshua Kofi Asamoah and Kenneth Adomako Tutu and Armstrong Aboah},
journal= {arXiv preprint arXiv:2408.05649},
year = {2024}
}