[論文レビュー] Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets

Blessing Agyei Kyem, Eugene Denteh+3 more|arXiv (Cornell University)|Aug 10, 2024

Infrastructure Maintenance and Monitoring被引用数 5

ひとこと要約

本論文は、YOLO物体検出とCBAMを組み合わせ、現地収集データセットを用いて複数の舗装のひずみを検出・分類し、ウェブベースのリアルタイム検出ツールを提供する深層学習手法を提案している。

ABSTRACT

Road infrastructure maintenance in developing countries faces unique challenges due to resource constraints and diverse environmental factors. This study addresses the critical need for efficient, accurate, and locally-relevant pavement distress detection methods in these regions. We present a novel deep learning approach combining YOLO (You Only Look Once) object detection models with a Convolutional Block Attention Module (CBAM) to simultaneously detect and classify multiple pavement distress types. The model demonstrates robust performance in detecting and classifying potholes, longitudinal cracks, alligator cracks, and raveling, with confidence scores ranging from 0.46 to 0.93. While some misclassifications occur in complex scenarios, these provide insights into unique challenges of pavement assessment in developing countries. Additionally, we developed a web-based application for real-time distress detection from images and videos. This research advances automated pavement distress detection and provides a tailored solution for developing countries, potentially improving road safety, optimizing maintenance strategies, and contributing to sustainable transportation infrastructure development.

研究の動機と目的

• 発展途上国における効率的で正確かつ現地適合性のある舗装ひずみ検出の必要性に対応する。
• 画像から複数のひずみタイプを検出・分類できる深層学習モデルを開発する。
• 資源制約のある環境での適用性を高めるために、現地収集データセットを活用する。
• 画像および動画からのひずみ検出のためのリアルタイムなウェブベースのアプリケーションを提供する。

提案手法

• YOLO物体検出とConvolutional Block Attention Module (CBAM)を統合し、ひずみの同時検出および分類を行う。
• 凹凸穴、縦方向亀裂、alligator cracks、raveling を検出するようモデルを訓練する。
• 検出されたひずみインスタンスの信頼度スコアを0.46から0.93の範囲で評価する。
• 画像および動画からのリアルタイムひずみ検出を可能にするウェブベースのアプリケーションを開発する。

実験結果

リサーチクエスチョン

• RQ1 YOLO+CBAMベースのモデルは、発展途上国のデータセットで一般的な舗装ひずみを正確に検出・分類できるか？
• RQ2 異なるひずみタイプに対する検出の信頼度スコアの範囲はどのくらいか？
• RQ3 現地収集データセットは、モデルの性能と実際の保守判断への適用性にどのように影響するか？
• RQ4 現場での使用に向けたリアルタイムウェブベースのひずみ検出ツールの導入可能性はどの程度か？

主な発見

• モデルは potholes、longitudinal cracks、alligator cracks、raveling を検出・分類する。
• 検出の信頼度スコアは0.46から0.93の範囲である。
• 複雑な状況では一部誤分類が生じ、発展途上国における舗装評価の課題を反映している。
• 画像および動画からのリアルタイムひずみ検出のためのウェブベースアプリケーションが開発された。