用于柔性路面裂缝检测的卷积神经网络
计算机视觉与模式识别
2023-04-07 v1 人工智能
机器学习
摘要
柔性路面主要因交通和不利环境条件而劣化。裂缝是最常见的劣化机制；其调查通常依据国际定义的分类标准手动进行。南非已引入高清视频图像，从而实现更安全的道路调查。然而，调查仍是一个繁琐的手动过程。诸如裂缝等缺陷检测的自动化将实现对路网的更快速分析，并可能减少人为偏差与错误。本研究对六种最先进的卷积神经网络模型进行比对，以用于裂缝检测。这些模型在 ImageNet 数据集上预训练，并使用一个由 14000 个样本组成的新的真实世界二分类裂缝数据集进行微调。同时还研究了数据集增强的影响。在训练的六个模型中，五个准确率超过 97%。记录到的最高准确率为 98%，由 ResNet 和 VGG16 模型取得。数据集可在以下 URL 获取：https://zenodo.org/record/7795975
引用
@article{arxiv.2304.02933,
title = {Convolutional neural networks for crack detection on flexible road pavements},
author = {Hermann Tapamo and Anna Bosman and James Maina and Emile Horak},
journal= {arXiv preprint arXiv:2304.02933},
year = {2023}
}
备注
A version of this paper is published in the Proceedings of the 14th International Conference on Soft Computing and Pattern Recognition (SoCPaR 2022). Lecture Notes in Networks and Systems, vol 648. Springer, Cham