开源软件 | 深度学习用于道路病害检测

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