基于深度学习的城市尺度道路巡检系统

城市中的道路网络规模庞大，是机动性的关键组成部分。对缺陷的快速响应至关重要，这些缺陷不仅可由日常磨损引起，也可能源于风暴等极端事件。因此，亟需一种快速、可扩展且经济高效的自动化系统来采集缺陷信息。我们提出了一种城市尺度道路巡检系统，利用了深度学习与语义分割的一些最新进展。为构建该系统并作基准测试，我们策划了一个带有道路缺陷所需标注的数据集。然而，许多道路巡检所需标签具有高度歧义性，我们通过提出一种标签层次结构加以克服。我们还提出了一种多步深度学习模型：对道路进行分割，将道路进一步细分为缺陷，为每类缺陷标注帧，并最终利用GPS采集的地图对缺陷进行定位。我们在标签层次的不同层级上，对图像标注与分割的模型进行了分析与评估。