Aug, 2024

铺路条件评估的首个多模态框架：PaveCap及其基于密集描述与PCI估算的方法

HTML
PDF
TL;DR本研究解决了传统铺路条件评估方法中定量与定性描述缺乏的问题，提出了一种新的多模态框架PaveCap。该框架结合了单次PCI估算网络和密集描述网络，实现对铺路条件的自动化评估，显著提高了基础设施管理与决策的效率。
发现论文，激发创造
  • 基于内核反向金字塔调整的网络的高效路面病害识别

    提出了一种用于道路病害识别的高效率方法，采用图像自动化技术，将图像分成小块，通过网络来识别道路病害，并通过Kernel Inversed Pyramidal Resizing Network对图像进行预处理，提高图像分辨率和比例，使用该方法比现行方法更高效。

    Dec, 2022

  • 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

  • 道路病害识别中的深度学习方法:综述

    综述最近图像处理和深度学习技术在道路病害检测和分类中的广泛应用，介绍了机器学习和深度学习算法在提高效率和准确性方面的优势，讨论了无人机数据采集的整合以及处理高分辨率图像的深度学习算法在有效检测和分类不同道路病害方面的价值。

    Aug, 2023

  • Image2PCI - 从图像直接估计路面状况指数的多任务学习框架

    通过一种统一的多任务模型，可以直接从顶部向下的路面图像中预测出路面状况指数（PCI），同时对于裂缝检测和分割等相关任务具有极高的准确性。

    Oct, 2023

  • ConstScene: 在施工环境中推进鲁棒语义分割的数据集和模型

    针对建筑工地的多样挑战，介绍了一个新的语义分割数据集，以增强目标检测模型在不同的天气和环境条件下的训练和评估，从而促进其在实际建筑应用中的适应能力和可靠性。

    Dec, 2023

  • YOLO9tr：一种利用广义高效层聚合网络和注意力机制的轻量级路面损坏检测模型

    本研究提出了YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与YOLO8、YOLO9和YOLO10等先进模型相比具有更高的精度和推断速度，达到高达136FPS的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了YOLO9tr在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。

    Jun, 2024

  • 精确剪切粘贴：一种内容和角度感知的道路损伤检测数据增强方法

    我们提出了一种改进的“剪切-粘贴”增强技术，既考虑了图像中道路的真实位置，又考虑了注入损伤和目标图像之间的透视差异。

    Jun, 2024

  • 基于多任务深度学习的车道级路面性能预测方法研究

    本研究解决了当前路面性能预测中缺乏车道级分析的问题，通过开发一种多任务深度学习方法，利用大量历史段级数据进行车道级路面性能预测。研究表明，该框架在不同车道的预测上表现优异，平均绝对百分比误差均低于10%，显著优于其他集成学习与浅层机器学习方法。

    Aug, 2024

  • 改善发展中国家的路面病害检测：一种新颖的深度学习方法与本地收集的数据集相结合

    本研究解决了发展中国家在资源有限和环境多样性条件下，急需高效、准确且符合当地实际的路面病害检测方法的问题。采用结合YOLO模型与卷积块注意力模块（CBAM）的新深度学习方法，可以同时检测和分类多种路面病害类型，模型表现出良好的识别性能。这一研究不仅推动了自动化路面病害检测的进展，还为发展中国家提供量身定制的解决方案，有望提高道路安全和优化维护策略。

    Aug, 2024

  • 利用PaveSAM自动分割铺路病害

    本研究解决了现有自动化铺路监测方法在识别噪音和铺路表面纹理不规则性方面的不足。提出的PaveSAM模型，通过仅重训练180张图像，能够利用边界框提示高效分割铺路病害，显著降低标注成本并提高性能。这一创新为铺路病害分割的研究提供了新的解决方案，并拓宽了开放源铺路病害数据集的应用范围。

    Sep, 2024