Automatic UAV-based Airport Pavement Inspection Using Mixed Real and Virtual Scenarios

要約

滑走路と誘導路の舗装は、予測される耐用年数の間、高い応力にさらされるため、時間の経過とともに必然的に状態が低下します。
空港の舗装状態が中断のない回復力のある運用を確保できるようにするには、その状態を監視し、定期的に検査を実施することが最も重要です。
UAV ベースの検査は、広範囲の監視機能とコスト削減により、最近重要性が高まっています。
この研究では、UAV によってキャプチャされた画像を使用して舗装の損傷を自動的に識別するための視覚ベースのアプローチを提案します。
提案された方法は、画像内の欠陥をセグメント化するための深層学習 (DL) に基づいています。
DL アーキテクチャは、EfficientNet 特徴抽出と特徴ピラミッド ネットワーク セグメンテーションの最適化された実装を使用することで、UAV の組み込みシステムの低い計算能力を活用します。
トレーニング用の注釈付きデータの不足に対処するために、利用可能な遭難データセットを拡張する合成データセット生成方法論を開発しました。
実際のアプリケーション シナリオでトレーニング モデルをテストする場合、合成画像と実際のトレーニング画像で構成される混合データセットを使用すると、より良い結果が得られることを示します。

要約(オリジナル)

Runway and taxiway pavements are exposed to high stress during their projected lifetime, which inevitably leads to a decrease in their condition over time. To make sure airport pavement condition ensure uninterrupted and resilient operations, it is of utmost importance to monitor their condition and conduct regular inspections. UAV-based inspection is recently gaining importance due to its wide range monitoring capabilities and reduced cost. In this work, we propose a vision-based approach to automatically identify pavement distress using images captured by UAVs. The proposed method is based on Deep Learning (DL) to segment defects in the image. The DL architecture leverages the low computational capacities of embedded systems in UAVs by using an optimised implementation of EfficientNet feature extraction and Feature Pyramid Network segmentation. To deal with the lack of annotated data for training we have developed a synthetic dataset generation methodology to extend available distress datasets. We demonstrate that the use of a mixed dataset composed of synthetic and real training images yields better results when testing the training models in real application scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google