基于深度学习的道路损坏与井盖检测：面向智慧城市的多边形标注方法
计算机视觉与模式识别
2025-10-07 v1 机器学习
摘要
城市安全与基础设施维护是智慧城市发展的关键组成部分。手动监测道路损坏耗时、成本高且容易出错。本文提出一种基于深度学习的方法，利用YOLOv9算法结合多边形标注进行道路损坏和井盖自动检测。与传统的边界框标注不同，我们采用多边形标注以获得更精确的道路缺陷定位。我们构建了一个包含超过一千张图片的新型数据集，主要来自孟加拉国的达卡。该数据集用于训练YOLO系列模型，实现三类目标检测，分别为破损(Broken)、未破损(Not Broken)和井盖(Manhole)。我们实现了78.1%的整体图像级准确率。YOLOv9模型在破损类(86.7% F1分数)和未破损类(89.2% F1分数)上表现良好，但在井盖检测方面存在挑战(仅18.2% F1分数)，主要由于类别不平衡。我们的做法为开发中后劳动力国家的城市基础设施监测提供了一种高效且可扩展的解决方案。
引用
@article{arxiv.2510.03797,
title = {Road Damage and Manhole Detection using Deep Learning for Smart Cities: A Polygonal Annotation Approach},
author = {Rasel Hossen and Diptajoy Mistry and Mushiur Rahman and Waki As Sami Atikur Rahman Hridoy and Sajib Saha and Muhammad Ibrahim},
journal= {arXiv preprint arXiv:2510.03797},
year = {2025}
}
备注
13 pages