实战：基于深度学习的道路损坏检测

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

1.简介

道路基础设施是一项重要的公共资产，因为它有助于经济发展和增长，同时带来重要的社会效益。路面检查主要基于人类的视觉观察和使用昂贵机器的定量分析。这些方法的最佳替代方案是智能探测器，它使用记录的图像或视频来检测损坏情况。除了道路INFR一个结构，道路破损检测器也将在自主驾驶汽车，以检测他们的方式有些坑洼或其他干扰，尽量避免他们有用。

2.数据集

本项目中使用的数据集是从这里收集的。该数据集包含不同国家的道路图像，它们是日本、印度、捷克。对于图像，标签的注释是在 xml 文件中，即标签是 PASCAL VOC 格式。由于数据集包含来自日本的大部分图像（在以前的版本中，它仅包含来自日本的图像），因此根据数据来源，根据日本道路指南确定了标签。

但是最新的数据集现在包含其他国家的图像，因此为了概括我们只考虑以下标签的损害。D00：垂直裂缝，D10：水平裂缝，D20：鳄鱼裂缝，D40：坑洼

3.基于深度学习得目标检测

CNN 或卷积神经网络是所有计算机视觉任务的基石。即使在物体检测的情况下，从图像中提取物体的模式到特征图（基本上是一个比图像尺寸小的矩阵）卷积操作也被使用。现在从过去几年开始，已经对对象检测任务进行了大量研究，我们得到了大量最先进的算法或方法，其中一些简而言之，我们在下面进行了解释。

4.EDA

数据集中的图像总数：26620

标签分布

每个班级的计数
D00 : 6592 
D10 : 4446 
D20 : 8381 
D40 : 5627

各国标签分布（全数据分析）

捷克数据分析
0 图像数量 2829 
1 D00 988 
2 D10 399 
3 D20 161 
4 D40 197 
5 标签数量 1745 
************************ **********************************************
印度数据分析
     类别计数
6 图像数量 7706 
7 D00 1555 
8 D10 68 
9 D20 2021 
10 D40 3187 
11 标签数量 6831 
**************************** ******************************************
日本数据分析
12 图像数量 10506 
13 D00 4049
14 D10 3979 
15 D20 6199 
16 D40 2243 
17 标签数量 16470 
************************************ ************************************

图像中标签大小的分布

标签最小尺寸：0x1 标签
最大尺寸：704x492

5.关键技术

对象检测现在是一个庞大的主题，相当于一个学期的主题。它由许多算法组成。因此，为了使其简短，目标检测算法被分为各种类别，例如基于区域的算法（RCNN、Fast-RCNN、Faster-RC