用于路面病害分类的深度学习框架：一项对比分析
计算机视觉与模式识别
2020-12-01 v2
摘要
路面病害的自动检测与分类对于及时维护和修复路面至关重要。随着深度学习和高性能计算的发展，基于视觉的路面缺陷评估的可行性已显著提升。在本研究中，作者部署了基于不同网络骨干的先进深度学习算法来检测和表征路面病害。研究了 CSPDarknet53、Hourglass-104 和 EfficientNet 等不同骨干模型的影响，以评估其分类性能。模型使用在日本、捷克共和国和印度的城市与乡村街道采集的 21,041 张图像进行训练。最后，根据模型预测和分类病害的能力对其进行了评估，并使用由统计精确率和召回率值得出的 F1 分数进行测试。性能最佳的模型在 IEEE 全球道路损坏检测挑战赛发布的两个测试数据集上分别取得了 0.58 和 0.57 的 F1 分数。包括训练模型在内的源代码已在 [1] 提供。
引用
@article{arxiv.2010.10681,
title = {Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis},
author = {Vishal Mandal and Abdul Rashid Mussah and Yaw Adu-Gyamfi},
journal= {arXiv preprint arXiv:2010.10681},
year = {2020}
}