[論文レビュー] RoadAtlas: Intelligent Platform for Automated Road Defect Detection and Asset Management

Zhuoxiao Chen, Yiyun Zhang+4 more|arXiv (Cornell University)|Sep 8, 2021

Infrastructure Maintenance and Monitoring被引用数 4

ひとこと要約

RoadAtlas は、深層学習モデル（クラック検出器およびセグメンテーションモデル）とウェブベースのダッシュボード、MongoDB バックエンドを統合した、エンドツーエンドの AI パowered プラットフォームであり、自動道路欠陥検出および道路標識解析を実現する。リアルタイムで高精度な道路異常（クラックや標識など）の特定を可能にし、手動点検のコストを1回の調査あたり最大40万ドル削減するとともに、データのタイムリeness と地方自治体の意思決定を向上させる。

ABSTRACT

With the rapid development of intelligent detection algorithms based on deep learning, much progress has been made in automatic road defect recognition and road marking parsing. This can effectively address the issue of an expensive and time-consuming process for professional inspectors to review the street manually. Towards this goal, we present RoadAtlas, a novel end-to-end integrated system that can support 1) road defect detection, 2) road marking parsing, 3) a web-based dashboard for presenting and inputting data by users, and 4) a backend containing a well-structured database and developed APIs.

研究の動機と目的

• 1回の調査あたり40万ドルを超える場合がある、手動による道路状態調査の高コストかつ時間消費の問題を解決すること。
• 深層学習を活用して欠陥および標識検出を自動化することで、専門家インスペクターへの依存を低減すること。
• リアルタイムのデータ処理、可視化、レポート作成を支援する統合型システムを構築すること。
• 地方自治体が予測分析を活用して、道路状態を効率的かつ予防的・的確に修理計画を立てるのを可能にすること。
• 将来的に新しい欠陥タイプの認識や新しいデータの統合が可能な、スケーラブルかつ柔軟なプラットフォームを構築すること。

提案手法

• Flask と MongoDB を使用してウェブベースのダッシュボードを導入し、ユーザーとのインタラクション、データ検証、レポート作成を可能にする。
• 2段階の深層学習パイプラインを実装する：まず、YOLO にインspired なアーキテクチャに基づくクラック検出器を用いて、境界ボックスを用いて欠陥の局所化を行う。
• 次に、ピクセルレベルのアノテーションで学習された U-Net ベースのクラックセグメンテーションモデルを用いて、正確なセマンティックセグメンテーションマスクを生成する。
• 処理前にライセンスプレートをぼかすことで、プライバシー保護のための画像匿名化を実施する。
• 不規則なポリゴンラベルを効率的な学習を可能にする最小境界ボックスに変換する。
• ビア・アイ・ビュー変換と低レベルの輪郭検出を適用して、道路標識セグメンテーションの結果を精緻化し、正確性を向上させる。

Figure 1. The overall framework of the RoadAtlas.

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドのシステムは、高精度かつリアルタイム性能を備えて、道路欠陥検出および道路標識解析を自動化できるか？
• RQ2 スケーラブルなバックエンドとインタラクティブなダッシュボードと統合された深層学習モデルは、実用的な道路資産管理をどのように支援できるか？
• RQ3 自動検出技術は、従来の方法と比較して、手動による道路調査のコストと時間をどの程度削減できるか？
• RQ4 最小限の再トレーニングやデータ再構成で、新しい種類の道路欠陥を検出できるようにシステムを拡張可能か？
• RQ5 境界ボックス検出とピクセルレベルのセグメンテーションの組み合わせは、多様な道路欠陥を正確に同定するのにどの程度効果的か？

主な発見

• RoadAtlas は、欠陥検出の自動化により、道路状態調査のコストと時間を削減し、手動点検と比較して1回の調査あたり最大40万ドルのコスト削減が可能である。
• 2段階の深層学習パイプラインを用いることで、Kerb_Cracking、Road_Crocodile、Road_Longitudinal、Road_Transverse、Road_Block、Sealed_Crack などの道路欠陥を高精度に検出している。
• U-Net ベースのクラックセグメンテーションモデルによるピクセルレベルのセグメンテーションにより、欠陥の正確な局所化が可能となり、元の画像に予測結果をマッピングして検証が可能である。
• ビア・アイ・ビュー変換と低レベルの輪郭検出の統合により、予測結果が幾何学的規則性と一致するようになり、道路標識の解析精度が向上した。
• ウェブダッシュボードを通じたリアルタイムデータ処理とインタラクティブな検証が可能であり、ユーザーは欠陥および標識データを CSV や JSON 形式で確認、検証、エクスポートできる。
• システムはスケーラブルかつ拡張可能であり、モジュラー API デザインと構造化されたデータベースのおかげで、将来的に新しい欠陥タイプや新しいデータ入力を容易に統合できる。

Figure 2. Dashboard (top) and Road Defects View (bottom).