Truck Axle Detection with Convolutional Neural Networks

要約

トラックの車軸数は、車両の分類や道路システムの運用に重要である。サービス料金の決定や舗装への影響に利用されています。車軸のカウントは、手作業などの従来の方法でも実現できますが、ディープラーニングやコンピュータビジョンの手法を用いて車軸をカウントすることが可能になってきています。本論文では、トラックの車軸を検出するために、YOLO、Faster R-CNN、SSDという3つのディープラーニングによる物体検出アルゴリズムを比較することを目的としています。ニューラルネットワークのトレーニング例とテスト例を提供するために、データセットを構築した。訓練時間の効率を上げ、結果を比較するために、異なるベースモデルで訓練を行った。結果は、精度、想起、mAP、F1スコア、FPSカウントの5つの指標に基づいて評価した。その結果、YOLOとSSDは同程度の精度と性能を持ち、両モデルとも96%以上のmAPを持つことが分かりました。データセットとコードは一般にダウンロード可能です。

要約(オリジナル)

Axle count in trucks is important to the classification of vehicles and to the operation of road systems. It is used in the determination of service fees and in the impact on the pavement. Although axle count can be achieved with traditional methods, such as manual labor, it is increasingly possible to count axles using deep learning and computer vision methods. This paper aims to compare three deep-learning object detection algorithms, YOLO, Faster R-CNN, and SSD, for the detection of truck axles. A dataset was built to provide training and testing examples for the neural networks. The training was done on different base models, to increase training time efficiency and to compare results. We evaluated results based on five metrics: precision, recall, mAP, F1-score, and FPS count. Results indicate that YOLO and SSD have similar accuracy and performance, with more than 96\% mAP for both models. Datasets and codes are publicly available for download.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL