[论文解读] Pavement Distress Detection and Segmentation using YOLOv4 and DeepLabv3 on Pavements in the Philippines

James-Andrew Sarmiento|arXiv (Cornell University)|Mar 11, 2021

Infrastructure Maintenance and MonitoringEngineering被引用 17

一句话总结

本研究提出了一种针对菲律宾的深度学习流水线，用于在小规模RGB图像数据集上实现道路病害的自动化检测与分割。采用YOLOv4进行目标检测，DeepLabv3进行语义分割。尽管数据有限，DeepLabv3仍实现了0.56的平均交并比（mIoU）和0.58的Dice系数，而YOLOv4的mAP仅为0.286，凸显了在检测细小裂纹及使用边界框进行缩放时面临的挑战。

ABSTRACT

Road transport infrastructure is critical for safe, fast, economical, and reliable mobility within the whole country that is conducive to a productive society. However, roads tend to deteriorate over time due to natural causes in the environment and repeated traffic loads. Pavement Distress (PD) detection is essential in monitoring the current conditions of the public roads to enable targeted rehabilitation and preventive maintenance. Nonetheless, distress detection surveys are still done via manual inspection for developing countries such as the Philippines. This study proposed the use of deep learning for two ways of recording pavement distresses from 2D RGB images - detection and segmentation. YOLOv4 is used for pavement distress detection while DeepLabv3 is employed for pavement distress segmentation on a small dataset of pavement images in the Philippines. This study aims to provide a basis to potentially spark solutions in building a cheap, scalable, and automated end-to-end solution for PD detection in the country.

研究动机与目标

• 解决发展中国家（如菲律宾）在道路病害自动化检测方面的不足，因人工调查成本高且结果不一致。
• 开发一种可扩展、低成本且自动化的解决方案，利用2D RGB图像中的深度学习技术监测道路基础设施健康状况。
• 评估YOLOv4在实例级目标检测与DeepLabv3在语义分割方面在菲律宾真实世界道路图像小规模数据集上的性能表现。
• 为资源受限环境下的未来端到端自动化道路状况评估系统提供基础框架。

提出的方法

• 采用YOLOv4在2D RGB图像上使用边界框对道路病害（如龟裂、分层）进行实例级检测。
• 应用带有空洞空间金字塔池化（ASPP）和编码器-解码器结构的DeepLabv3，实现病害类型的像素级语义分割。
• 使用CLAHE对图像进行预处理，以增强对比度并提升两种模型的特征可见性。
• 在包含305张图像的小规模数据集上训练模型，涵盖五类病害：龟裂、分层、碗状凹陷、起皮和崩解。
• 使用平均精确率（mAP）评估检测性能，使用平均交并比（mIoU）和Dice系数评估分割性能。
• 采用数据增强和迁移学习技术，以缓解因训练样本有限导致的过拟合问题。

实验结果

研究问题

• RQ1 YOLOv4能否在菲律宾真实世界小规模数据集中实现可靠的道路病害目标检测？
• RQ2 在训练数据有限的情况下，DeepLabv3能否对重叠裂纹和起皮等复杂道路缺陷实现准确的语义分割？
• RQ3 CLAHE等预处理技术如何影响深度学习模型在道路病害检测与分割中的性能表现？
• RQ4 YOLOv4与DeepLabv3在此情境下检测与分割道路病害的主要失败模式是什么？
• RQ5 在发展中国家，小规模、低成本的深度学习流水线在多大程度上可作为可扩展、自动化道路状况监测的基础？

主要发现

• DeepLabv3在DPWH数据集上实现了0.56的平均交并比（mIoU）和0.58的Dice系数，表明尽管训练数据有限，其语义分割性能仍达到中等至良好水平。
• YOLOv4在预处理图像上的平均精确率（mAP）为0.286，在原始图像上为0.272，表明检测性能较差，尤其在细小或复杂病害上表现不佳。
• 模型在类别混淆方面表现不佳，常将分层误判为碗状凹陷，反之亦然，可能由于纹理相似性及CLAHE增强后的特征敏感性所致。
• DeepLabv3表现出较高的误报率，尤其在纹理或不平整区域将正常路面误判为起皮。
• YOLOv4存在较高的假阴性率，尤其在遗漏细小或纤细的裂纹及起皮缺陷方面，这是由于边界框检测在处理不规则、细长或碎片化病害时存在局限。
• 尽管指标得分较低，两种模型在检测主要病害类型（如龟裂和分层）方面仍表现出可行性，表明若使用更大、更均匀的数据集，性能有望进一步提升。