使用VGG-16预训练网络和卷积神经网络自动检测坑洞
Satyabrata Swain1, Asis Kumar Tripathy1
1School of Computer Science Engineering and Information Systems, VIT, Vellore, India.
Heliyon
|May 28, 2024
概括
对于自动驾驶汽车来说,实时检测道路坑非常重要. 这项研究使用转移学习与卷积神经网络 (CNN) 和超分辨率生成对抗网络 (SRGAN) 来实现坑洞分类的97.3%准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 自动驾驶汽车需要先进的感知系统来安全导航.
- 道路上的危险,如坑洞,对车辆完整性和乘客安全构成重大风险.
- 现有的坑洞检测方法有局限性,包括高成本和检测挑战.
研究的目的:
- 为自动驾驶汽车开发一个自动化,准确和高效的实时道路坑洞识别系统.
- 利用转移学习和图像增强技术来克服当前方法的局限性.
主要方法:
- 实施了一个卷积神经网络 (CNN),利用VGG-16预训练模型进行转移学习.
- 采用超分辨率生成对抗网络 (SRGAN) 来提高图像质量,以更好地检测坑洞.
- 训练并评估了道路坑洞分类任务的模型.
主要成果:
- 在道路坑中获得了97.3%的高分类准确率.
- 与其他深度学习算法相比,在坑洞检测方面表现出卓越的性能.
- 转移学习和SRGAN的综合方法在提高检测准确度方面被证明是有效的.
结论:
- 拟议的转移学习技术与SRGAN相结合,为自动化坑洞检测提供了一个强大的解决方案.
- 这种方法通过解决道路危险,显著提高了自动驾驶系统的安全性和可靠性.
- 实现的高精度表明智能交通系统在现实世界中实施的巨大潜力.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.0K
09:27Measuring the Shape and Size of Activated Sludge Particles Immobilized in Agar with an Open Source Software Pipeline
Published on: January 30, 2019
7.1K
