Segmentation Dataset for Reinforced Concrete Construction

要約

このペーパーでは、鉄筋コンクリートの欠陥を自律的にロボット検査するためのセグメンテーションラベルを備えた14,805 RGB画像のデータセットを提供します。
Yolov8l-Seg、DeepLabv3、およびU-Netセグメンテーションモデルのベースラインが確立されています。
矛盾の標識は統計的に対処され、モデルのパフォーマンスに対する影響が分析されます。
モデルのエラーモードを調べるために、エラー識別ツールが採用されています。
この論文は、Yolov8l-Segが最高のパフォーマンスを発揮し、最大0.59の検証スコアを達成することを示しています。
ラベルの不一致は、モデルのパフォーマンスに無視できる効果があることがわかりましたが、より多くのデータを含めるとパフォーマンスが向上しました。
偽陰性は、一次障害モードとして識別されました。
結果は、ディープラーニングベースのモデルのパフォーマンスにとってデータの可用性の重要性を強調しています。
公開されているデータの欠如は、偽陰性の重要な貢献者として特定されています。
これに対処するために、この論文は、建設コミュニティ内のオープンソースアプローチの増加を提唱しています。

要約(オリジナル)

This paper provides a dataset of 14,805 RGB images with segmentation labels for autonomous robotic inspection of reinforced concrete defects. Baselines for the YOLOv8L-seg, DeepLabV3, and U-Net segmentation models are established. Labelling inconsistencies are addressed statistically, and their influence on model performance is analyzed. An error identification tool is employed to examine the error modes of the models. The paper demonstrates that YOLOv8L-seg performs best, achieving a validation mIOU score of up to 0.59. Label inconsistencies were found to have a negligible effect on model performance, while the inclusion of more data improved the performance. False negatives were identified as the primary failure mode. The results highlight the importance of data availability for the performance of deep learning-based models. The lack of publicly available data is identified as a significant contributor to false negatives. To address this, the paper advocates for an increased open-source approach within the construction community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google