通过计算机视觉和机器学习对基于视觉的漏洞检测方法的审查
Yashar Safyari1, Masoud Mahdianpari2,3, Hodjat Shiri1
1Civil Engineering Department, Faculty of Engineering and Applied Sciences, Memorial University of Newfoundland, St. John's, NL A1B 3X7, Canada.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
自动坑洞检测使用计算机视觉和机器学习来实现更安全的道路. 结合传统和先进人工智能的混合方法在识别道路表面损坏方面提供了最高的准确性.
科学领域:
- 道路基础设施评估 道路基础设施评估
- 计算机视觉和机器学习应用程序
- 交通安全工程 交通安全工程
背景情况:
- 道路表面的损坏,如坑洞,对车辆安全和交通流量构成重大风险.
- 目前的手动检查方法是低效,昂贵和危险的.
- 需要自动化系统来准确高效地评估道路状况.
研究的目的:
- 提供对先进的计算机视觉和机器学习算法的全面审查,用于坑洞检测.
- 分析用于获取二维和三维道路数据的传感系统.
- 确定在自动化道路评估领域未来研究的机会.
主要方法:
- 复习经典的二维图像处理算法.
- 使用3D点云建模分析基于细分的算法.
- 机器学习,深度学习和混合方法用于坑洞识别的评估.
主要成果:
- 混合方法将传统的图像处理与机器学习相结合,实现最高的坑洞检测精度.
- 深度学习方法显示出卓越的适应性和检测率.
- 传统的二维和三维方法作为有价值的基线技术.
结论:
- 基于视觉的方法,特别是混合和深度学习方法,对于推进自动化道路表面状况评估至关重要.
- 本次审查澄清了当前的技术格局,并指导了改善道路安全和基础设施管理的未来发展.
