Clasificación automatizada de la superficie de la carretera en OpenStreetMap utilizando MaskCNN e imágenes aéreas

Área de la Ciencia:

• Ciencias de la computación
• Ciencias de la información geográfica
• Detección remota

Sus antecedentes:

• Los datos de la superficie de la carretera de OpenStreetMap (OSM) son cruciales, pero a menudo incompletos o inconsistentes.
• La validación y clasificación automáticas de las superficies de las carreteras son necesarias para diversas aplicaciones.
• Las imágenes aéreas de alta resolución y el aprendizaje profundo ofrecen posibles soluciones.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la clasificación automatizada de superficies de carreteras.
• Mejorar la precisión y la exhaustividad de los datos de las superficies de las carreteras OSM.
• Para clasificar las superficies de las carreteras en tipos de asfalto, hormigón, grava y tierra.

Principales métodos:

• Se propuso un modelo de aprendizaje profundo basado en MaskCNN con mecanismos de atención y pérdida jerárquica.
• Se utilizaron imágenes aéreas del Programa Nacional de Imágenes Agrícolas (NAIP) con etiquetas OSM alineadas.
• El procesamiento previo incluyó georreferenciación, aumento de datos, limpieza de etiquetas y equilibrio de clases.

Principales resultados:

• El modelo logró una precisión general del 92,3% y una intersección media de la Unión del 83,7% (mIoU).
• El rendimiento superó los modelos de referencia (SVM, Random Forest, U-Net) y los métodos más avanzados.
• Se obtuvo una alta precisión y recuperación para todos los tipos de superficies, incluida la grava y la suciedad.

Conclusiones:

• La combinación de imágenes NAIP con CNN guiadas por la atención y la pérdida jerárquica mejora significativamente la clasificación de la superficie de la carretera.
• El modelo demuestra robustez en diversos terrenos y condiciones.
• Las aplicaciones potenciales incluyen la mejora de los datos OSM, el análisis de la infraestructura y la navegación autónoma.