基于人工神经网络回归深度视觉特征以预测涵洞水力堵塞
计算机视觉与模式识别
2021-05-10 v1 机器学习
摘要
城市景观中的交叉排水水力结构（即涵洞、桥梁）易被输移杂物堵塞，常引发山洪。在澳大利亚，Wollongong 市议会（WCC）堵塞管道政策是设计中考虑堵塞的唯一正式指南。然而，许多人认为该政策基于洪水后的视觉检查，因此不能视为水力堵塞的准确表征。由于这一持续争论，视觉堵塞与水力堵塞被视为两个不同术语，二者间尚无已建立的量化关系。本文试图通过提出使用深度视觉特征预测给定涵洞的水力堵塞来关联这两个术语。提出了一种端到端机器学习流水线，以涵洞图像为输入，使用深度学习模型提取视觉特征，对视觉特征进行预处理并送入回归模型以预测相应的水力堵塞。本研究使用的数据集（即水文实验室数据集（HD）、视觉水文实验室数据集（VHD））来自使用涵洞缩尺物理模型进行的实验室内实验，其中多个堵塞场景按比尺复现。回归模型的性能使用标准评估指标进行评价。此外，从处理时间角度评估了整体机器学习流水线的性能，以对模型进行相对比较和硬件需求分析。结果显示，使用 MobileNet 提取视觉特征的 ANN 取得了最佳回归性能， 分数为 0.7855。 分数的正值表明视觉特征与水力堵塞之间存在相关性，并提示二者可相互关联。
引用
@article{arxiv.2105.03233,
title = {Regression on Deep Visual Features using Artificial Neural Networks (ANNs) to Predict Hydraulic Blockage at Culverts},
author = {Umair Iqbal and Johan Barthelemy and Wanqing Li and Pascal Perez},
journal= {arXiv preprint arXiv:2105.03233},
year = {2021}
}