道路路面病害(裂隙、坑洞)等的檢測并不是一項新技術,CV君的母校在近20年前就開發出了我國第一台道路路面智能檢測車,這項技術在道路維護管養中可發揮重要作用。
如下圖所示,車載相機或智能手機拍攝地面,對其進行分析識别,及時預警需要修補的道路即為該項任務的實際意義。
今天來自美國密蘇裡大學市政與環境學院的學者釋出論文 Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis ,對使用深度學習應用于此領域進行了比較研究。
早期的道路病害檢測以傳統LBP、Gabor等紋理特征提取為主,往往在實際中表現不佳。近年發展起來的深度學習技術可發揮從資料中學習表征的優勢,可提高道路病害的識别精度。
如何進行道路病害檢測?作者指出常見的三種方法:
1)圖像分類
對不同病害類别或等級的路況圖像進行标注,并在采集到的圖像中進行重疊式區域劃分,進行分類,可以是二類(有無病害)和多類(不同病害級别)。
2)語義分割
對道路病害進行像素級标注,使用U-Net等語義分割方法進行像素級分類。好處是可以刻畫病害形态,但标注代價極其大。
3)目标檢測
将病害位置标成目标框,在采集的圖像中進行目标檢測,既可得到位置,也可以得到類别。
作者使用 Global Road Damage Detection Challenge 2020 的資料集,其訓練集包括來自日本的10,506張圖像,來自捷克的2,829張圖像和來自印度的7,706張圖像。另有test1測試集含有2631幅圖像,test2測試集含有2664幅圖像,是近年來出現的該領域大型資料集。
不同道路病害圖像示例:
作者在開源代碼中使用了YOLOv5、CenterNet、EfficientDet三種目标檢測算法,其正确檢測的樣例:
錯誤檢測的樣例:
不同算法在測試集上的精度、召回和F1 分數結果:
可見在作者的實驗設定下YOLOv5取得了絕對性優勢。
論文位址:
https://arxiv.org/abs/2010.10681
資料集位址:
https://github.com/titanmu/RoadCrackDetection
(資料搬運中,下載下傳有困難的同學可在明日在我愛計算機視覺公衆号背景回複“RoadCrack”即可得)
代碼位址:
https://github.com/titanmu/RoadCrackDetection
END
備注:目标檢測
目标檢測交流群
2D、3D目标檢測等最新資訊,若已為CV君其他賬号好友請直接私信。
我愛計算機視覺
微信号:aicvml
QQ群:805388940
微網誌知乎:@我愛計算機視覺
投稿:[email protected]
網站:www.52cv.net
在看,讓更多人看到