AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency & Quantifying Road Damage

要約

道路インフラのメンテナンス検査は、通常、すべての道路利用者の安全を確保するための労働集約的で重要な作業です。
オブジェクトの検出とセグメンテーションのための人工知能 (AI) の既存の最先端技術は、適切な注釈付きデータがあれば、このタスクの膨大な部分を自動化するのに役立ちます。
ただし、ビデオにゼロから注釈を付けるには、法外な費用がかかります。
たとえば、30 FPS で記録された 5 分間のビデオに注釈を付けるには、注釈者が数日かかることがあります。
したがって、少数ショット学習や分布外検出などの手法を活用して道路損傷検出用のラベルを生成することにより、自動化されたラベル付けパイプラインを提案します。
さらに、当社のパイプラインには、インスタンスの定量化による各損傷のリスク要因評価が含まれており、道路保守機械の最適な配置につながる修理の場所に優先順位を付けることができます。
これらの手法でトレーニングされた AI モデルは、目に見えない現実世界のデータを人間による注釈の必要性を減らして一般化するだけでなく、メンテナンスの緊急度を推定して、より安全な道路につながることを示しています。

要約(オリジナル)

Road infrastructure maintenance inspection is typically a labor-intensive and critical task to ensure the safety of all road users. Existing state-of-the-art techniques in Artificial Intelligence (AI) for object detection and segmentation help automate a huge chunk of this task given adequate annotated data. However, annotating videos from scratch is cost-prohibitive. For instance, it can take an annotator several days to annotate a 5-minute video recorded at 30 FPS. Hence, we propose an automated labelling pipeline by leveraging techniques like few-shot learning and out-of-distribution detection to generate labels for road damage detection. In addition, our pipeline includes a risk factor assessment for each damage by instance quantification to prioritize locations for repairs which can lead to optimal deployment of road maintenance machinery. We show that the AI models trained with these techniques can not only generalize better to unseen real-world data with reduced requirement for human annotation but also provide an estimate of maintenance urgency, thereby leading to safer roads.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google