[논문 리뷰] Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets

Blessing Agyei Kyem, Eugene Denteh외 3명|arXiv (Cornell University)|2024. 08. 10.

Infrastructure Maintenance and Monitoring인용 수 5

한 줄 요약

본 논문은 로컬로 수집된 데이터셋을 이용하여 다중 포장 손상을 탐지하고 분류하기 위해 YOLO 객체 탐지와 CBAM을 결합한 심층 학습 방법을 제안하며, 웹 기반 실시간 탐지 도구를 제공합니다.

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.

연구 동기 및 목표

• 개발도상국에서 효율적이고 정확하며 지역적으로 관련된 포장 손상 탐지의 필요성을 해결한다.
• 이미지로부터 여러 가지 손상 유형을 탐지하고 분류할 수 있는 심층 학습 모델을 개발한다.
• 자원이 제약된 환경에서 적용 가능성을 높이기 위해 로컬로 수집된 데이터셋을 활용한다.
• 이미지와 비디오에서 손상을 탐지하기 위한 실시간 웹 기반 응용 프로그램을 제공한다.

제안 방법

• 포손상 공동 탐지 및 분류를 위해 YOLO 객체 탐지와 Convolutional Block Attention Module (CBAM)을 통합한다.
• 포트홀, 종방향 균열, alligator cracks, and raveling을 탐지하도록 모델을 학습시킨다.
• 0.46에서 0.93 사이의 신뢰도 점수로 탐지 인스턴스를 평가한다.
• 이미지와 비디오에서 손상을 탐지하기 위한 실시간 웹 기반 응용 프로그램을 개발한다.

실험 결과

연구 질문

• RQ1 개발도상국 데이터셋에서 YOLO+CBAM 기반 모델이 일반적인 포장 손상을 정확하게 탐지하고 분류할 수 있는가?
• RQ2 손상 탐지의 신뢰도 점수 범위는 손상 유형에 따라 어떻게 나타나는가?
• RQ3 로컬로 수집된 데이터셋이 현실의 유지보수 의사결정에서 모델 성능과 적용 가능성에 어떤 영향을 미치는가?
• RQ4 현장 사용을 위한 실시간 웹 기반 손상 탐지 도구의 배치 가능성은 어떠한가?

주요 결과

• 모델은 포트홀, 종방향 균열, 올리게이터 크랙(alligator cracks), 및 러벨링을 탐지하고 분류한다.
• 탐지에 대한 신뢰도 점수는 0.46에서 0.93 사이이다.
• 복잡한 시나리오에서 일부 오분류가 발생하여 개발도상국의 포장 평가에 도전이 존재함을 보여준다.
• 이미지와 비디오에서 실시간 손상 탐지를 위한 웹 기반 응용 프로그램이 개발되었다.