SODA：面向建筑施工深度学习的工地目标检测数据集
计算机视觉与模式识别
2023-05-18 v1
摘要
基于计算机视觉的深度学习目标检测算法已发展得足够强大，能够支持识别各类物体的能力。尽管目前已有用于目标检测的通用数据集，但针对建筑行业仍缺乏大规模、开源的数据集，这限制了目标检测算法的发展，因为它们往往数据饥渴。因此，本文开发了一个专门为建筑工地采集并标注的新型大规模图像数据集，称为工地目标检测数据集（Site Object Detection dAtaset，SODA），包含按工人、材料、机械和布局分类的15类物体。首先，从多个建筑工地在不同场地条件、天气条件和施工阶段采集了超过20,000张图像，覆盖了不同角度和视角。经仔细筛选和处理后，获得19,846张图像，包含286,201个物体，并按预定义类别进行了标注。统计分析表明，所开发的数据集在多样性和体量上具有优势。使用两种广泛采用的基于深度学习的目标检测算法（YOLO v3 / YOLO v4）进一步评估，也说明了该数据集用于典型施工场景的可行性，取得了81.47%的最大mAP。以此方式，本研究为建筑行业基于深度学习的目标检测方法发展贡献了一个大规模图像数据集，并为该领域相应算法的进一步评估建立了性能基准。
引用
@article{arxiv.2202.09554,
title = {SODA: Site Object Detection dAtaset for Deep Learning in Construction},
author = {Rui Duan and Hui Deng and Mao Tian and Yichuan Deng and Jiarui Lin},
journal= {arXiv preprint arXiv:2202.09554},
year = {2023}
}