基于深度学习自动分类涵洞视觉堵塞
计算机视觉与模式识别
2021-05-10 v1 机器学习
摘要
输移杂物造成的涵洞堵塞被报道为引发城市山洪的主要原因。传统建模方法在解决该问题上未能成功，很大程度上是因为缺乏洪峰水力数据以及杂物在涵洞处高度非线性的行为。本文探索了一个调查该问题的新维度，提出使用智能视频分析（IVA）算法提取堵塞相关信息。在一个自定义收集的堵塞数据集（即涵洞开口与堵塞图像集（ICOB））上，研究了现有卷积神经网络（CNN）算法（即 DarkNet53、DenseNet121、InceptionResNetV2、InceptionV3、MobileNet、ResNet50、VGG16、EfficientNetB3、NASNet）预测给定图像中堵塞的潜力。模型基于其在测试集上的表现（即准确率、损失、精确率、召回率、F1 分数、Jaccard 指数）、每秒浮点运算次数（FLOPs）以及处理单个测试样本的响应时间进行评估。结果显示，NASNet 在分类堵塞上效率最高，准确率达 85%；然而，EfficientNetB3 因其改进的反应时间且与 NASNet 相当的准确率（即 83%）而被推荐用于硬件实现。假阴性（FN）样本、假阳性（FP）样本以及 CNN 层激活表明，背景噪声与过于简化的标注准则是导致现有 CNN 算法性能下降的两个因素。
引用
@article{arxiv.2105.03232,
title = {Automating Visual Blockage Classification of Culverts with Deep Learning},
author = {Umair Iqbal and Johan Barthelemy and Wanqing Li and Pascal Perez},
journal= {arXiv preprint arXiv:2105.03232},
year = {2021}
}