Convolutional neural networks for crack detection on flexible road pavements

要約

タイトル：柔軟な道路舗装のクラック検出のための畳み込みニューラルネットワーク

要約：柔軟な道路舗装は、交通量や過酷な環境条件により主に劣化する。その中でも、クラックは最も一般的な劣化メカニズムである。その調査は国際的に定義された分類基準を用いて手作業で行われることが一般的である。南アフリカでは、高精細度のビデオ映像を用いることで、より安全な道路調査が可能になっている。しかし、調査はまだ手間のかかる手作業プロセスである。クラックなどの欠陥の自動検出は、道路ネットワークのより迅速な分析と、人間の偏見と誤りを可能性として減らすことができる。本研究では、クラック検出のための6つの最新の畳み込みニューラルネットワークモデルの比較を行っている。これらのモデルは、ImageNetデータセットで事前にトレーニングされ、14000の新しい実世界のバイナリクラックデータセットを用いてファインチューニングされた。また、データセットの拡張の効果についても調査している。6つのモデルのうち、5つは97％以上の正確性を達成した。最高の正確性は、ResNetとVGG16のモデルで98％を達成した。データセットは、以下のURLから利用可能である。：https://zenodo.org/record/7795975

要約(オリジナル)

Flexible road pavements deteriorate primarily due to traffic and adverse environmental conditions. Cracking is the most common deterioration mechanism; the surveying thereof is typically conducted manually using internationally defined classification standards. In South Africa, the use of high-definition video images has been introduced, which allows for safer road surveying. However, surveying is still a tedious manual process. Automation of the detection of defects such as cracks would allow for faster analysis of road networks and potentially reduce human bias and error. This study performs a comparison of six state-of-the-art convolutional neural network models for the purpose of crack detection. The models are pretrained on the ImageNet dataset, and fine-tuned using a new real-world binary crack dataset consisting of 14000 samples. The effects of dataset augmentation are also investigated. Of the six models trained, five achieved accuracy above 97%. The highest recorded accuracy was 98%, achieved by the ResNet and VGG16 models. The dataset is available at the following URL: https://zenodo.org/record/7795975

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI