Jan, 2025

RDD4D：四维注意力引导的道路损伤检测与分类

HTML
PDF
TL;DR本研究针对现有道路损伤检测方法在处理多种损伤类型时的不足，提出了多样化道路损伤数据集（DRDD），填补了数据集在不同损伤类型和尺度上的空白。同时，我们介绍了一种新模型RDD4D，它利用Attention4D模块在多个尺度上进行特征优化，显著提高了大尺度道路裂缝检测的性能，平均精度（AP）达0.458。这一方法的出现可能会对基础设施维护领域产生深远的影响。
发现论文，激发创造
  • 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

    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。

    Jan, 2018

  • 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 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

  • 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

  • 自主道路修复中的多类道路缺陷检测与分割，基于空间和通道注意力

    道路路面检测和分割是开发自主道路修复系统的关键，然而，由于道路路面图像的纹理简单、缺陷几何的多样性以及类别之间形态的模糊性，同时执行多类别缺陷检测和分割的实例分割方法具有挑战性。我们提出了一种新颖的端到端方法，用于多类别道路缺陷检测和分割，该方法包括多个空间和通道注意力块，可用于学习跨空间和通道维度的全局表示。通过这些注意力块，可以学习到更加全局化的道路缺陷的形态信息（空间特征）和图像的颜色和深度信息。为了证明我们提出的框架的有效性，我们在一个新收集的用于九种道路缺陷类别注释的数据集上进行了各种消融研究和与先前方法的比较实验。实验结果显示，我们提出的方法优于现有的多类别道路缺陷检测和分割方法的最新方法。

    Feb, 2024

  • 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

  • 实时动态规模感知融合检测网络：以道路损伤检测为例

    本研究解决了无人机基于道路损伤检测（RDD）中存在的不规则损伤、背景遮挡和损伤与背景区分困难等问题。通过设计灵活适应形状与背景的特征提取模块、多尺度感知融合模块及高效降采样模块，提出了一种名为动态规模感知融合检测模型（RT-DSAFDet）的新模型。实验结果表明，RT-DSAFDet在公共数据集上的mAP50达54.2%，较现有模型YOLOv10-m提升了11.1%，降低了参数量和计算量，展示了显著的性能优势。

    Sep, 2024

  • 双重注意力和部分过参数化网络用于实时道路损坏检测

    本研究针对现有道路损坏检测方法效率低、覆盖范围有限及准确性差的问题，提出了DAPONet模型。该模型采用了双重注意力机制、多尺度部分过参数化模块及高效下采样模块，实现了在SVRDD数据集上70.1%的mAP50，较YOLOv10n提升10.4%。DAPONet显著减少了参数和FLOPs，展现了其在实时道路损坏检测中的潜在影响。

    Sep, 2024

  • 高效裂缝网：一种轻量化的裂缝分割模型

    本研究解决了从路面图像中检测裂缝的困难，尤其是在复杂背景和低对比度情况下。提出的高效裂缝网（EfficientCrackNet）结合了卷积神经网络和变换器，利用深度可分离卷积和超轻量子空间注意力模块，实现了精准的裂缝分割。实验表明，该模型在多个基准数据集上表现优于现有轻量化模型，显示出优越的准确性与计算效率平衡。

    Sep, 2024