基于改进深度卷积神经网络的无人机自主道路巡检方案
计算机视觉与模式识别
2020-08-17 v1 机器学习
机器人学
图像与视频处理
摘要
人工智能（AI）的发展为研制自主设备提供了巨大机遇。本工作的贡献在于一种改进的卷积神经网络（CNN）模型及其在道路裂缝、坑洼和黄色车道线检测中的实现。黄色车道线检测与跟踪的目的是通过跟随黄色车道实现无人机（UAV）自主导航，同时经由 WIFI 或 5G 媒介将检测到的道路裂缝与坑洼上报至服务器。自建数据集是一项繁重且耗时的任务。该数据集经创建、标注并使用默认模型与改进模型进行训练。这两种模型的性能在准确率、平均精度均值（mAP）和检测时间方面进行了基准对比。在测试阶段观察到，改进模型在准确率和 mAP 方面表现更优。该改进模型通过机器人操作系统在无人机中实施，利用无人机前视摄像头视觉实时自主检测道路坑洼与裂缝。
引用
@article{arxiv.2008.06189,
title = {An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles},
author = {Syed Ali Hassan and Tariq Rahim and Soo Young Shin},
journal= {arXiv preprint arXiv:2008.06189},
year = {2020}
}
备注
10 pages, 11 figures, journal