利用智能手机采集图像基于深度神经网络的道路损伤检测
计算机视觉与模式识别
2020-01-24 v2 计算机与社会
摘要
利用图像处理技术进行路面损伤检测的研究已积极开展，并取得了相当高的检测精度。许多研究仅聚焦于损伤有无的检测。然而，在真实场景中，当管理机构的道路管理者需要修复此类损伤时，他们需清晰了解损伤类型以采取有效行动。此外，以往许多研究中，研究者以不同方法自行获取数据，因此尚无公开统一的道路损伤数据集，导致道路损伤检测缺乏基准。本研究为应对这些问题作出三项贡献。首先，据我们所知，首次构建了大规模道路损伤数据集。该数据集由安装在车上的智能手机采集的 9,053 张道路损伤图像组成，其中包含 15,435 个路面损伤实例。为生成该数据集，我们与日本 7 个市政当局合作，采集了超过 40 小时的道路图像。这些图像在多样的天气与照度条件下拍摄。我们在每张图像中标注了表示损伤位置与类型的边界框。接着，我们采用基于卷积神经网络的先进目标检测方法，用我们的数据集训练损伤检测模型，并在 GPU 服务器与智能手机上比较了精度与运行速度。最后，我们证明通过所提目标检测方法可将损伤类型高精度地分为八类。本研究中的道路损伤数据集、实验结果及所开发的智能手机应用均已公开（https://github.com/sekilab/RoadDamageDetector/）。
引用
@article{arxiv.1801.09454,
title = {Road Damage Detection Using Deep Neural Networks with Images Captured Through a Smartphone},
author = {Hiroya Maeda and Yoshihide Sekimoto and Toshikazu Seto and Takehiro Kashiyama and Hiroshi Omata},
journal= {arXiv preprint arXiv:1801.09454},
year = {2020}
}
备注
14 pages, 7 figures