使用三季度视图汽车损坏数据集和深度学习方法进行自动化车辆损坏分类
Donggeun Lee1, Juyeob Lee2, Eunil Park2,3
1Department of Artificial Intelligence, Sungkyunkwan University, Seoul 03063, Korea.
Heliyon
|August 6, 2024
概括
我们推出了三季度视图汽车损坏数据集 (TQVCD),以应对自动汽车损坏分类的挑战. 这一数据集简化了标签,并提高了数据的可访问性,以提高分类准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 汽车工程 汽车工程
背景情况:
- 对于管理大型车队的行业来说,自动化车辆损坏分类至关重要.
- 现有的挑战包括缺乏公共数据集和复杂的数据构建过程.
- 四分之三的车辆视图为损害评估提供了丰富的信息.
研究的目的:
- 引入一个新的数据集,即三季度视图汽车损坏数据集 (TQVCD),用于车辆损坏的分类.
- 提供一个数据集,强调简单的标签,数据可访问性和全面的损害信息.
- 评估深度学习模型对这一新数据集的性能,并验证其行业相关性.
主要方法:
- 开发三季度视图汽车损坏数据集 (TQVCD),以不同的方向和损坏类型为类别.
- 使用二进制分类模型对五个预训练的深度学习架构 (ResNet-50,DenseNet-160,EfficientNet-B0,MobileNet-V2,ViT) 的评估.
- 实施模型组合方法以提高分类的稳定性.
- 专家采访二手车平台专业人士,以评估产业适用性.
主要成果:
- TQVCD数据集有效地捕捉了各种车辆视角和损坏类型.
- 深度学习模型表现出不同的性能,组合方法提高了稳定性.
- 专家验证证实了TQVCD数据集对工业应用的必要性和实用性.
- 数据集促进了有效的数据收集和损坏分类,减少了人工标签工作.
结论:
- TQVCD数据集是推动自动化车辆损坏分类研究和应用的宝贵资源.
- 数据集的设计解决了现有资源的关键限制,促进了更广泛的采用.
- 该研究证实了自动损坏分类在二手车行业的实用实用性.
