基于无人机的图像和激光雷达融合用于路面裂分割

科学领域:

• 土木工程 土木工程是指土木工程.
• 计算机视觉 计算机视觉
• 遥感 遥感 遥感 遥感

背景情况:

• 手动地检查路面是耗时和劳动密集的.
• 现有的无人机系统 (UAS) 方法只使用图像或LiDAR数据,缺少补充信息.
• 开发自动化,准确的路面应急检测对于道路安全和维护至关重要.

研究的目的:

• 探索将基于UAS的成像和低成本LiDAR数据融合在一起,以提高路面裂细分的可行性.
• 使用融合数据评估深度卷积神经网络 (DCNN) 模型的性能.
• 调查不同数据融合组合 (RGB,强度,高度) 对裂和密封裂检测的影响.

主要方法:

• 在不同高度使用两个无人机收集了三个数据集.
• 研究了两种路面困境类型:裂和密封裂.
• 采用了经过修改的U-net DCNN,用于细分的剩余块.
• 我们比较了四种融合组合:RGB,RGB+强度,RGB+升高,RGB+强度+升高.

主要成果:

• 与最先进的网络相比,DCNN模型显示出更高的准确性和通用性.
• 将海拔数据与RGB图像融合,使得裂检测的回忆率提高了2%.
• 由于传感器的局限性,LiDAR强度数据融合降低了精度,回忆和F测量.
• 激光雷达数据使得数据集中的密封裂细分率提高了4-7%.
• 高分辨率的LiDAR数据在较低的海拔上改善了裂细节的检测,但精度下降.

结论:

• 结合基于UAS的成像和LiDAR数据,特别是高度,可以增强路面裂的细分.
• 激光雷达数据融合的有效性取决于数据质量和路面困境的类型.
• 开发的DCNN模型显示了自动化路面状况评估的巨大潜力.
• 使用更高质量的LiDAR数据进行进一步的研究可以克服当前的局限性,并提高核聚变效益.