Jan, 2018

使用智能手机捕获的图像进行道路损伤检测的深度神经网络

PDF
TL;DR本研究通过使用卷积神经网络进行物体检测的最新方法，创建了一个可供公开使用的大型路面损伤数据集，该数据集包含了来自 7 个日本市的 9053 张路面损伤图片，针对这个数据集训练出有较高准确性的路面损伤检测模型，并成功将损伤分为八个类型。
damage detectionroad surfacesimage processingdatasetobject detection
发现论文，激发创造
  • RDD2022：用于自动道路损伤检测的跨国图像数据集

    该论文介绍了数据集 RDD2022 及其标注，是一个由多个国家的 47,420 张道路图像组成的数据集，旨在通过 RDD2022 进行低成本道路状态自动监测，并提出了基于深度学习方法的自动道路损害检测解决方案的挑战。

    Sep, 2022

  • 基于众感技术的道路损伤检测挑战赛（CRDDC-2022）

    本文概述了基于众感检测的道路损坏检测挑战赛，数据集由六个国家的 47,420 张道路图像组成，来自 19 个国家的 60 多个团队参赛，最佳模型使用 YOLO 和 Faster-RCNN 系列模型的集成学习方法，取得所有 6 个国家测试数据的 F1 得分为 76％。

    Nov, 2022

  • 使用卷积神经网络在卫星图像中进行建筑物损伤检测

    利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

    Oct, 2019

  • 基于深度卷积神经网络和自适应阈值法的道路裂纹检测

    本文提出了基于深度学习和自适应图像分割的道路龟裂检测算法，该算法采用深度卷积神经网络、双边滤波和自适应阈值方法，可以高效准确地检测道路表面龟裂并扩大安全。

    Apr, 2019

  • 用于柔性路面裂缝检测的卷积神经网络

    该研究使用了六种卷积神经网络模型来进行道路裂缝的检测，并使用一个由 14000 个样本组成的新型真实二元裂缝数据集进行微调，观察数据集扩增的效果，并得出 ResNet 和 VGG16 模型具有最高精度为 98% 的结论。

    Apr, 2023

  • 融合 GAN 和纹理合成以增强道路损伤检测

    交通安全和道路维护领域中，准确检测道路损伤对确保安全驾驶和延长道路耐久性至关重要。本研究提出了一种创新的方法，利用生成对抗网络生成具有不同形状的损伤，并通过纹理合成技术提取道路纹理，通过控制合成损伤的严重程度，嵌入到原始图像中，从而实现了损伤严重程度的丰富性和与背景的更好对齐，同时提高了 mAP 和 F1-score。

    Sep, 2023

  • CrashCar101: 损害评估的程序化生成

    本文提出了使用合成数据进行汽车损伤评估的方法，通过训练计算机视觉系统进行图像的部件和损伤分割，并展示了合成数据在部件分割和损伤分割任务中的优势。

    Nov, 2023

  • DeepDamageNet: 使用卫星图像的多灾害建筑损坏分割和分类的两步深度学习模型

    通过深度学习模型，在 xView2 挑战中取得了 0.66 的 F1 分数，超过 0.28 的挑战基准分数，发现不同损伤等级和不同灾害类型之间的视觉相似性和损害分布差异导致建筑物损伤分类是一项困难任务，可能需要具备关于灾害损害的概率先验估计，以获得准确的预测。

    May, 2024

  • 基于表面积的坑洼分类：使用预训练的卷积神经网络模型

    比较了三个预训练卷积神经网络模型（ResNet 50，ResNet 18 和 MobileNet）性能，用于识别路段中的坑洞，并将路面图像分类为小坑洞、大坑洞和正常路面的三个类别。

    Sep, 2023

  • 基于 Transformer 预测头改进 YOLOv5 的计算机视觉损伤检测模型

    提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型，采用先进的自我注意机制实现多尺度目标检测，并减少计算复杂度，结果显示该模型性能优于当前最先进模型，是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。

    Mar, 2023