基于深度学习图像的路面车辙检测
计算机视觉与模式识别
2023-02-01 v1
摘要
路面车辙是一种严重的道路病害,可导致道路过早失效,产生早期且昂贵的维护成本。过去几年中,使用图像处理技术和深度学习进行道路损坏检测的研究正在积极开展。然而,这些研究大多集中于裂缝、坑洼及其变体的检测。关于路面车辙检测的研究很少。本文提出了一个包含 949 张图像的新型路面车辙数据集,并提供目标级和像素级标注。部署目标检测模型和语义分割模型在所提数据集上检测路面车辙,并对模型预测进行定量和定性分析,以评估模型性能并识别使用所提方法检测路面车辙时面临的挑战。目标检测模型 YOLOX-s 达到 mAP@IoU=0.5 为 61.6%,语义分割模型 PSPNet (Resnet-50) 达到 IoU 为 54.69、准确率为 72.67,从而为未来的类似工作提供了基准精度。所提出的路面车辙数据集和我们的研究结果将有助于加速基于深度学习的路面车辙检测研究。
引用
@article{arxiv.2209.14225,
title = {Road Rutting Detection using Deep Learning on Images},
author = {Poonam Kumari Saha and Deeksha Arya and Ashutosh Kumar and Hiroya Maeda and Yoshihide Sekimoto},
journal= {arXiv preprint arXiv:2209.14225},
year = {2023}
}
备注
9 pages, 7 figures