RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous Pothole Detection in Roads

要約

この研究論文では、深層学習と画像処理技術を使用したポットホール検出への新しいアプローチを紹介します。
提案されたシステムは、特徴抽出に VGG16 モデルを活用し、RoadScan と呼ばれる三重項損失のあるカスタム シャム ネットワークを利用します。
このシステムは、道路利用者に重大なリスクをもたらす道路のポットホールという重大な問題に対処することを目的としています。
道路の穴ぼこによる事故が多発しています。
ポットホールを完全に除去する必要がありますが、時間のかかる作業です。
したがって、一般の道路利用者は、被害を避けるために、安全な距離からポットホールを検出できる必要があります。
ポットホールを検出するための既存の方法は、物体検出アルゴリズムに大きく依存していますが、道路とポットホールの構造やテクスチャが類似しているため、失敗する可能性が高くなります。
さらに、これらのシステムは数百万のパラメータを利用するため、一般市民にとって小規模なアプリケーションでモデルを使用することが困難になります。
提案されたモデルは、多様な画像処理方法とさまざまな高性能ネットワークを分析することにより、ポットホールを正確に検出する際に優れた性能を実現します。
精度、EER、精度、再現率、AUROC などの評価指標により、システムの有効性が検証されます。
さらに、提案されたモデルは、トレーニングに使用するパラメーターとデータが少ないため、計算効率と費用対効果が高いことが実証されています。
この研究は、交通分野におけるテクノロジーの重要性と、交通の安全性と利便性を高めるその可能性を浮き彫りにしています。
このモデルで提案されたネットワークは、96.12 % の精度、3.89 % EER、および 0.988 AUROC 値で動作し、他の最先端の作品と非常に競争力があります。

要約(オリジナル)

This research paper presents a novel approach to pothole detection using Deep Learning and Image Processing techniques. The proposed system leverages the VGG16 model for feature extraction and utilizes a custom Siamese network with triplet loss, referred to as RoadScan. The system aims to address the critical issue of potholes on roads, which pose significant risks to road users. Accidents due to potholes on the roads have led to numerous accidents. Although it is necessary to completely remove potholes, it is a time-consuming process. Hence, a general road user should be able to detect potholes from a safe distance in order to avoid damage. Existing methods for pothole detection heavily rely on object detection algorithms which tend to have a high chance of failure owing to the similarity in structures and textures of a road and a pothole. Additionally, these systems utilize millions of parameters thereby making the model difficult to use in small-scale applications for the general citizen. By analyzing diverse image processing methods and various high-performing networks, the proposed model achieves remarkable performance in accurately detecting potholes. Evaluation metrics such as accuracy, EER, precision, recall, and AUROC validate the effectiveness of the system. Additionally, the proposed model demonstrates computational efficiency and cost-effectiveness by utilizing fewer parameters and data for training. The research highlights the importance of technology in the transportation sector and its potential to enhance road safety and convenience. The network proposed in this model performs with a 96.12 % accuracy, 3.89 % EER, and a 0.988 AUROC value, which is highly competitive with other state-of-the-art works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google