基于背景感知深度学习的印度步道损害细分数据集用于风险评估
Priti Chakurkar1, Deepali Vora2
1Symbiosis Institute of Technology, Pune Campus, Symbiosis International (Deemed University), Pune, 412115, India.
Scientific data
|December 8, 2025
概括
这项研究引入了一套新的数据集,用于检测人行道损坏,这对于防止城市行人跌倒至关重要. 该数据集包含详细的注释,有助于开发自动化基础设施监控系统.
科学领域:
- 计算机视觉 计算机视觉
- 城市基础设施监测 城市基础设施监测
- 土木工程 土木工程是指土木工程.
背景情况:
- 在城市地区,受损的步道对行人安全构成重大风险.
- 基础设施维护和防摔需要自动化监控系统.
- 现有的数据集可能缺乏强大的模型培训所需的细节或多样性.
研究的目的:
- 引入印度步道损害细分数据集,用于自动化基础设施监测的研究.
- 提供高分辨率,手动注释的数据集,用于步行道损坏检测和严重程度评估.
- 建立一个基准来评估深度学习模型在这个领域.
主要方法:
- 在各种条件下收集了印度浦那市步道损坏的高分辨率图像数据集.
- 手动注释图像与像素级分段口罩用于行人路径损坏,包括严重程度.
- 在数据集上训练和评估深度学习模型,包括U-Net与EfficientNet-B3和集合方法.
主要成果:
- 表现最好的组合模型获得了0.6899的子得分和0.6741.1的IOU.
- 该模型表现出强的性能,精度为0.9317和F1得分为0.6899.
- 该数据集有助于开发精确的步道损坏细分模型.
结论:
- 印度人行道损害细分数据集是推动行人安全和基础设施监测研究的宝贵资源.
- 开发的模型显示了有希望的结果,用于自动检测和评估人行道损坏的严重程度.
- 该数据集在Zenodo上公开提供,以鼓励进一步的研究和开发.