通过暗网对数字,红外和多光谱动态成像图像进行分析,自动检测路面的损坏
Hyungjoon Seo1, Yunfan Shi2, Lang Fu1
1Department of Civil and Environmental Engineering, University of Liverpool, Liverpool L69 7WW, UK.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
这项研究使用DarkNet在13,500张图像上自动分类道路路面损坏. 数字图像达到97.4%的准确性,显示了自动化道路检查和维护的潜力.
科学领域:
- 道路安全工程工程 道路安全工程
- 计算机视觉用于基础设施监控.
- 路面管理系统 路面管理系统
背景情况:
- 道路路面安全需要自动化损坏评估和维修.
- 路面表面除了裂之外还含有各种各样的特征,包括人洞和标记.
- 区分损伤和无损伤元素对于准确的分析至关重要.
研究的目的:
- 开发一个自动化系统来分类道路路面状况.
- 评估不同成像技术 (数字,红外,MSX) 对于损伤检测的有效性.
- 介绍一种分析裂方向性的方法.
主要方法:
- 收集了13,500张道路路面的数字,红外 (IR) 和多谱 (MSX) 图像.
- 利用DarkNet深度学习模型对9个不同的类别进行自动分类.
- 应用了二维波形变换来确定裂的方向性.
主要成果:
- 暗网实现了高分类准确度:97.4%的数字图像,80.1%的IR和91.1%的MSX.
- 增强了IR的MSX图像,性能优于IR,但略低于数字图像.
- 该研究表明了自动分类和裂方向分析的可行性.
结论:
- 使用DarkNet进行自动分类,有效地识别了道路路面的特征和损坏.
- 数字图像提供了最高的准确性,而MSX图像提供了有价值的补充数据集.
- 使用波形变换检测裂方向性可以增强未来的路面检查研究.
