提升路坑检测与表征：路面异常系统中的集成分割与深度估计
计算机视觉与模式识别
2025-04-21 v1 系统与控制
系统与控制
摘要
路面异常检测在路 maintenance 和提高司机及车辆安全方面发挥着关键作用。近期的机器学习方法已克服了手动分析和异常计数的繁琐和耗时的过程，但往往不足以提供路坑的完整表征。本文通过迁移学习，采用预训练的YOLOv8-seg模型，对利用仪表板安装摄像机捕获的数字图像实现路坑的自动表征。我们的工作包括创建了一个新型数据集，包含图像及其对应的深度图，来自沙特阿拉伯阿尔·赫伯尔市和KFUPM校园的多样化路面环境。该方法对路坑进行检测和分割，以精确定位路坑并计算其面积。随后，将分割后的图像与其深度图合并，以提取路坑的详细深度信息。该分割与深度数据集成提供了比以往深度学习基于路面异常检测系统更全面的表征。总体而言，该方法不仅有潜力显著提升自动驾驶车辆通过改进路面危险物体的检测与表征，还能帮助道路维护部门更有效地应对路面损坏。
关键词
引用
@article{arxiv.2504.13648,
title = {Enhancing Pothole Detection and Characterization: Integrated Segmentation and Depth Estimation in Road Anomaly Systems},
author = {Uthman Baroudi and Alala BaHamid and Yasser Elalfy and Ziad Al Alami},
journal= {arXiv preprint arXiv:2504.13648},
year = {2025}
}