道路病害识别中的深度学习方法:综述
基于无人机拍摄的图像,提出一种基于深度学习的视觉方法来自动识别跑道和滑行道面的缺陷,利用合成与实际图像训练模型能在真实应用场景中取得更好的结果。
Jan, 2024
本研究提出了使用 You Only Look Once (YOLO) 版本五(YOLOv5)和版本八(YOLOv8)算法来检测和分类道路路面裂缝的方法。实验结果表明,在不同照明条件和图像尺寸下,路面裂缝的检测精度可达 67.3%。该研究的发现可以帮助公路管理机构准确地检测和分类不同照明条件下的资产状况,减少人工检查的成本和时间,极大地降低公路资产维护的成本。
Jun, 2024
本文介绍了二 / 三维道路数据获取的传感系统(相机、激光扫描仪和微软 Kinect),并全面综述了用于道路坑洞检测的最先进计算机视觉算法,包括传统的二维图像处理、三维点云建模和分割、以及机器 / 深度学习算法,同时讨论了现有挑战和未来发展趋势。
Apr, 2022
利用无人机和图像处理技术自动化当前桥梁视觉检查实践是提高检查效果、鲁棒性和降低成本的一种显著途径。本文研究了一种新颖的深度学习方法,用于检测高分辨率钢桥图像中的疲劳裂纹,首先,我们介绍了一个包含钢桥裂纹图像的新颖而具有挑战性的数据集。其次,我们将 ConvNext 神经网络与先前最先进的编码器 - 解码器网络集成,进行裂纹分割研究和报告,并研究了在应用于高分辨率钢桥裂纹图像时使用背景补丁对网络性能的影响。最后,我们引入了一种损失函数,允许在训练过程中使用更多的背景补丁,从而显著降低了误报率。
Mar, 2024
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
本篇论文研究了利用无人机进行应急响应和灾害管理的自动化航空场景分类,提出了一个用于紧急响应的航空图像数据库(AIDER),并进行了现有方法的比较分析。通过该分析,开发出了一个轻量级的卷积神经网络(CNN)架构,能够在嵌入式平台上高效运行,在需要的时候能够在灾难性事件中提供即时帮助。
Jun, 2019
确保交通安全至关重要,需要检测和防止道路表面缺陷,以此为主题,研究了道路表面缺陷检测的各种方法。主要方法是基于图像的方法,分析像素强度和表面纹理来识别缺陷;然而,这些方法对于天气和光照变化敏感,为解决这个问题,研究者探索了使用激光扫描仪或激光雷达等附加传感器的方法,提供明确的深度信息,以实现对缺陷的尺度和体积的检测,并探索了超出图像的数据的创新。在这篇综述中,我们对基于输入数据类型和方法学分类的道路表面缺陷检测研究进行了全面回顾,并对最近提出的非图像方法进行了评述,讨论了相关的挑战和待解决的问题。
Feb, 2024
本文探讨用于交通视频分析的深度学习方法,着重强调自动驾驶车辆和人类驾驶车辆的行驶安全。提出一个典型的处理流程,可以通过提取操作安全指标和提供通用提示和指南来理解和解释交通视频。主要包括视频增强、视频稳定、语义和事件分割、目标检测和分类、轨迹提取、速度估计、事件分析、建模和异常检测等几个步骤。重点在于选择最佳步骤并提供缺少模块的新设计来引导交通分析师开发他们自己的自定义处理框架。还回顾了现有的开源工具和公共数据集,以帮助训练深度学习模型。此外,还调查了与驾驶员认知评估、基于众包的监测系统、路边基础设施中的边缘计算、配备自动驾驶系统的汽车等相关的研究领域的联系和缺失方面。最后,回顾了交通监控系统的商业实施、未来展望以及广泛使用此类系统所面临的开放性问题和挑战。
Mar, 2022
我们提出了一种深度学习框架,通过结合预训练网络和自定义层,实现了在自然环境下由无人机捕获的土豆作物的干旱胁迫分类。这一创新性工作的关键在于整合了 Grad-CAM 解释技术,通过可视化模型在图像中的焦点区域,提高了模型的解释性和决策过程的可信度。相较于现有的物体检测算法,我们的方法在精确度和准确度上表现出明显的优势。
Apr, 2024