[论文解读] 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 5

一句话总结

该论文提出一种深度学习方法，将 YOLO 目标检测与 CBAM 相结合，使用本地收集的数据集检测和分类多种路面病害，并具备基于网页的实时检测工具。

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.

研究动机与目标

• 解决在发展中国家需要高效、准确且与本地相关的路面病害检测的需求。
• 开发能够从图像中检测并分类多种病害类型的深度学习模型。
• 利用本地收集的数据集以提高在资源受限环境中的适用性。
• 提供基于网页的实时病害检测应用，支持图像和视频。

提出的方法

• 将 YOLO 目标检测与卷积块注意力模块（CBAM）集成，用于病害的联合检测与分类。
• 训练模型以检测坑洞、纵向裂缝、鳄鱼裂缝和碎石剥落（raveling）。
• 评估检测到的病害实例的置信分数范围为 0.46 到 0.93。
• 开发一个基于网页的应用，能够对图像和视频进行实时病害检测。

实验结果

研究问题

• RQ1 基于 YOLO+CBAM 的模型是否能够在发展中国家数据集中准确检测和分类常见路面病害？
• RQ2 不同病害类型的检测置信分数范围是多少？
• RQ3 本地收集的数据集如何影响模型性能以及在实际维护决策中的适用性？
• RQ4 在现场使用部署实时网页病害检测工具的可行性如何？

主要发现

• 该模型能够检测并分类坑洞、纵向裂缝、鳄鱼裂缝和碎石剥落。
• 检测的置信分数范围为 0.46 到 0.93。
• 在复杂场景中出现了一些错误分类，反映出在发展中国家路面评估中的挑战。
• 已开发一个基于网页的应用，用于图像和视频的实时病害检测。