路面图像数据集：一种用于路面病害分类与密度测算的新基准数据集
计算机视觉与模式识别
2020-04-29 v2 机器学习
机器学习
摘要
利用道路图像进行自动化路面病害检测仍是计算机视觉研究领域的挑战性课题。深度学习的最新进展引发了大量旨在提升自动化路面病害识别与评级效能的研究活动。深度学习模型需要大规模的ground truth数据集，而路面领域往往缺乏现成数据。本研究引入一种带标注的数据集方法，作为构建更稳健、易部署的路面状况评估系统的第一步。该技术在此称为路面图像数据集（Pavement Image Dataset, PID）方法。该数据集由同一路面片段的两个相机视角（即宽视角与俯视视角）所拍摄的图像组成。宽视角图像用于病害分类并训练深度学习框架，而俯视图像可用于计算病害密度，将在面向自动化路面评级的未来研究中加以利用。对于宽视角组数据集，我们对7,237张图像进行了人工标注，并将病害分为九类。图像通过Google应用程序编程接口（Application Programming Interface, API）提取，使用为本项目开发的基于python的代码选取街景图像。新数据集使用两种主流深度学习框架进行了评估：You Only Look Once（YOLO v2）与Faster Region Convolution Neural Network（Faster R-CNN）。基于F1指数的准确率得分分别为YOLOv2的0.84与Faster R-CNN模型运行的0.65；考虑到使用Google地图图像的便利性，两者均相当可接受。
引用
@article{arxiv.1910.11123,
title = {Pavement Image Datasets: A New Benchmark Dataset to Classify and Densify Pavement Distresses},
author = {Hamed Majidifard and Peng Jin and Yaw Adu-Gyamfi and William G. Buttlar},
journal= {arXiv preprint arXiv:1910.11123},
year = {2020}
}