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