一种高效可扩展的深度学习路面损坏检测方法
计算机视觉与模式识别
2020-12-18 v3
摘要
路面状况评估对于把握预防性或修复性养护时机、控制病害扩展至关重要。未能及时评估会导致基础设施严重的结构与经济损失乃至彻底重建。自动化计算机辅助检测手段可提供道路损坏模式及其位置的数据库。该数据库可用于及时道路维修，以获最低维护成本与沥青最大耐久性。本文提出一种基于深度学习的检测方案，实时分析基于图像的病害数据。使用由移动设备拍摄、涵盖纵向、横向与龟裂等多种裂缝病害类型的多样化数据库。随后，训练一系列为路面裂缝检测调优的高效可扩展模型，并探索多种数据增强策略。所提模型的F1分数介于52%至56%，平均推理速度为每秒178至10幅图像。最后，检验了目标检测器的性能，并针对各类图像给出误差分析。源代码见https://github.com/mahdi65/roadDamageDetection2020。
引用
@article{arxiv.2011.09577,
title = {An Efficient and Scalable Deep Learning Approach for Road Damage Detection},
author = {Sadra Naddaf-Sh and M-Mahdi Naddaf-Sh and Amir R. Kashani and Hassan Zargarzadeh},
journal= {arXiv preprint arXiv:2011.09577},
year = {2020}
}
备注
removed redundant postscripts