基于深度神经网络的物理资产管理道路损伤检测采集系统
计算机视觉与模式识别
2022-01-21 v1
摘要
关于路面损伤检测的研究一直是一个活跃的研究领域，但迄今为止，大多数研究都集中在检测损伤的存在与否。然而，在现实场景中，道路管理者需要清楚地了解损伤的类型及其严重程度，以便提前采取有效措施或分配必要的资源。此外，目前很少有统一且公开可用的道路损伤数据集，导致缺乏一个通用的道路损伤检测基准。这样的数据集可用于多种应用；在本文中，它旨在作为物理资产管理工具的采集组件，该工具可帮助政府机构进行规划，或供基础设施维护公司使用。在本文中，我们做出了两项贡献来解决这些问题。首先，我们提出了一个大规模道路损伤数据集，其中包含更平衡且更具代表性的损伤类型。该数据集由 18,034 张用智能手机拍摄的道路损伤图像组成，包含 45,435 个路面损伤实例。其次，我们训练了不同类型的物体检测方法，包括传统方法（LBP 级联分类器）和基于深度学习的方法，特别是 MobileNet 和 RetinaNet，这些方法适用于嵌入式和移动端实现，并在许多应用中具有可接受的性能。我们将所有这些模型与当前最先进的其他模型在准确率和推理时间上进行了比较。
引用
@article{arxiv.1909.08991,
title = {Road Damage Detection Acquisition System based on Deep Neural Networks for Physical Asset Management},
author = {A. A. Angulo and J. A. Vega-Fernández and L. M. Aguilar-Lobo and S. Natraj and G Ochoa-Ruiz},
journal= {arXiv preprint arXiv:1909.08991},
year = {2022}
}