道路路面病害(裂隙、坑洞)等的检测并不是一项新技术,CV君的母校在近20年前就开发出了我国第一台道路路面智能检测车,这项技术在道路维护管养中可发挥重要作用。
如下图所示,车载相机或智能手机拍摄地面,对其进行分析识别,及时预警需要修补的道路即为该项任务的实际意义。
今天来自美国密苏里大学市政与环境学院的学者发布论文 Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis ,对使用深度学习应用于此领域进行了比较研究。
早期的道路病害检测以传统LBP、Gabor等纹理特征提取为主,往往在实际中表现不佳。近年发展起来的深度学习技术可发挥从数据中学习表征的优势,可提高道路病害的识别精度。
如何进行道路病害检测?作者指出常见的三种方法:
1)图像分类
对不同病害类别或等级的路况图像进行标注,并在采集到的图像中进行重叠式区域划分,进行分类,可以是二类(有无病害)和多类(不同病害级别)。
2)语义分割
对道路病害进行像素级标注,使用U-Net等语义分割方法进行像素级分类。好处是可以刻画病害形态,但标注代价极其大。
3)目标检测
将病害位置标成目标框,在采集的图像中进行目标检测,既可得到位置,也可以得到类别。
作者使用 Global Road Damage Detection Challenge 2020 的数据集,其训练集包括来自日本的10,506张图像,来自捷克的2,829张图像和来自印度的7,706张图像。另有test1测试集含有2631幅图像,test2测试集含有2664幅图像,是近年来出现的该领域大型数据集。
不同道路病害图像示例:
作者在开源代码中使用了YOLOv5、CenterNet、EfficientDet三种目标检测算法,其正确检测的样例:
错误检测的样例:
不同算法在测试集上的精度、召回和F1 分数结果:
可见在作者的实验设置下YOLOv5取得了绝对性优势。
论文地址:
https://arxiv.org/abs/2010.10681
数据集地址:
https://github.com/titanmu/RoadCrackDetection
(数据搬运中,下载有困难的同学可在明日在我爱计算机视觉公众号后台回复“RoadCrack”即可得)
代码地址:
https://github.com/titanmu/RoadCrackDetection
END
备注:目标检测
目标检测交流群
2D、3D目标检测等最新资讯,若已为CV君其他账号好友请直接私信。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
投稿:amos@52cv.net
网站:www.52cv.net
在看,让更多人看到