修改了MobileNetV2传输学习模型,用于检测道路上的坑洞
Neha Tanwar1, Anil V Turukmane1
1School of Computer Science and Engineering, VIT-AP University, Amaravati, Andhra Pradesh, India.
PeerJ. Computer science
|February 3, 2025
概括
本研究引入了一种修改后的MobileNetV2 (MMNV2) 模型,用于在路面图像中准确检测坑洞. 通过高效的道路状况分析,深度学习方法显著改善了基础设施评估和公共安全.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 坑洞和其他道路损坏会降低路面基础设施,影响安全和维护成本.
- 准确检测路面困境对于及时维修和基础设施管理至关重要.
- 目前的道路损坏评估方法可能是劳动密集型和主观的.
研究的目的:
- 开发和评估深度学习 (DL) 模型,以便在路面图像中更好地检测坑洞.
- 引入一种新的修改后的MobileNetV2 (MMNV2) 模型,其优化为高效的特征提取和准确的分类.
- 为了比较MMNV2的性能与其他十四个已建立的DL模型进行路面评估.
主要方法:
- 利用转移学习和深度学习技术来预处理数字路面图像.
- 评估了十四个DL模型,包括MobileNetV2,DenseNet,ResNet和EfficientNet的变体.
- 通过整合五层预训练网络以提高性能,开发了一种修改后的MobileNetV2 (MMNV2) 模型.
- 在5000张路面图像的数据集上训练和测试模型,学习率为0.001.
主要成果:
- 与其他评估模型相比,MMNV2模型在分类,检测和预测准确性方面取得了卓越的表现.
- 在将图像分类为"正常"或"坑洞"时达到99.95%的准确性.
- 报告了100%的回忆,99.90%的精度,99.95%的F1得分,以及最小的0.05%的错误率.
结论:
- MMNV2模型为自动化坑洞检测提供了高度准确和高效的解决方案.
- 该模型的降低参数数量和卓越性能使其适用于现实世界的路面评估应用.
- 这种深度学习方法增强了基础设施维护策略,并有助于公共安全.
