[论文解读] Deep Learning Approaches in Pavement Distress Identification: A Review

Sizhe Guan, Haolan Liu+2 more|arXiv (Cornell University)|Aug 1, 2023

Infrastructure Maintenance and Monitoring被引用 7

一句话总结

对基于无人机（UAV）二维影像的路面病害检测的最新深度学习方法进行全面综述，涵盖数据采集、算法、数据集和挑战。

ABSTRACT

This paper presents a comprehensive review of recent advancements in image processing and deep learning techniques for pavement distress detection and classification, a critical aspect in modern pavement management systems. The conventional manual inspection process conducted by human experts is gradually being superseded by automated solutions, leveraging machine learning and deep learning algorithms to enhance efficiency and accuracy. The ability of these algorithms to discern patterns and make predictions based on extensive datasets has revolutionized the domain of pavement distress identification. The paper investigates the integration of unmanned aerial vehicles (UAVs) for data collection, offering unique advantages such as aerial perspectives and efficient coverage of large areas. By capturing high-resolution images, UAVs provide valuable data that can be processed using deep learning algorithms to detect and classify various pavement distresses effectively. While the primary focus is on 2D image processing, the paper also acknowledges the challenges associated with 3D images, such as sensor limitations and computational requirements. Understanding these challenges is crucial for further advancements in the field. The findings of this review significantly contribute to the evolution of pavement distress detection, fostering the development of efficient pavement management systems. As automated approaches continue to mature, the implementation of deep learning techniques holds great promise in ensuring safer and more durable road infrastructure for the benefit of society.

研究动机与目标

• 对路面病害评估的人工智能应用现状进行综述，重点关注基于二维无人机影像的应用。
• 解释路面病害检测的数据获取、预处理和模型评估工作流。
• 比较传统图像处理方法与基于学习的方法在路面病害任务中的表现。
• 讨论无人机数据采集挑战、三维数据考量以及物联网/人工智能在数据集质量中的集成。
• 标注公开数据集、开源代码，以及基于无人机的路面病害检测的未来研究方向。

提出的方法

• 将方法分为传统基于特征的方法与基于学习（深度学习）的方法用于病害检测
• 讨论基于无人机的数据采集和影像质量考量，包括飞行参数调优
• 评审预处理、特征提取、表示和分类流程
• 强调二维影像处理的重点，并备注三维数据及替代感测（地质雷达GPR、加速度、声学）
• 总结数据集、评估技术，以及开源实现的可用性
• 提出基于无人机的路面病害识别的挑战与未来研究方向

实验结果

研究问题

• RQ1 基于无人机二维影像，最近的深度学习方法在路面病害评估中有哪些？
• RQ2 基于无人机的数据采集如何被利用，其在路面病害检测中的优点与挑战是什么？
• RQ3 存在哪些公开数据集和开源资源用于无人机路面病害研究，模型如何被评估？
• RQ4 将二维深度学习路面病害方法扩展至三维数据及其他感测模态时，主要挑战是什么？
• RQ5 未来方向中哪些最有前景以改进自动化路面病害检测与管理？

主要发现

• 无人机提供高机动性、成本有效的数据采集，支持检测裂缝、坑洞和轮廓坑槽。
• 基于深度学习的路面病害评估受益于专门的数据获取流程与预处理以提升模型性能。
• 示例在相关图像处理任务中显示出显著的准确性，包括使用霍夫变换进行的公路图像线段检测达到0.9214的准确率，以及在参考研究中的3D-GPR病害分类达到0.9的平均准确率。
• 传统图像处理与特征提取正在被深度学习方法所补充，后者从二维无人机影像中学习判别表示。
• 影像质量、相机飞行设置和重叠区域对无人机获取的数据集及后续模型性能具有关键影响。
• 越来越强调将人工智能与物联网技术结合，以提升数据集质量并减少测量中的主观性。