[论文解读] 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 4

一句话总结

RoadAtlas 是一个端到端的AI驱动平台，用于自动化道路缺陷检测与道路标识解析，整合了深度学习模型（裂缝检测器与分割器）以及基于Web的仪表板和MongoDB后端。该平台可实现实时、高精度的道路异常识别（如裂缝和标识），将每次调查的人工检查成本降低高达400K美元，同时提升数据时效性与地方政府的决策能力。

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.

研究动机与目标

• 解决人工道路状况调查成本高昂且耗时过长的问题，单次调查成本可能超过400K美元。
• 通过使用深度学习自动化缺陷与标识检测，减少对专家检查员的依赖。
• 开发一个集成系统，支持道路资产管理的实时数据处理、可视化与报告生成。
• 使地方政府能够高效监控道路状况，并通过预测分析主动规划维修工作。
• 构建一个可扩展、可适应的平台，能够识别新型缺陷类型，并随时间整合新数据。

提出的方法

• 使用Flask和MongoDB部署基于Web的仪表板，以支持用户交互、数据验证与报告生成。
• 实施两阶段深度学习流程：首先，基于YOLO启发架构的裂缝检测器，利用边界框定位缺陷。
• 其次，基于U-Net的裂缝分割器，利用像素级标注进行训练，生成精确的语义分割掩码。
• 通过模糊车牌信息实现图像匿名化，以保护隐私。
• 将不规则多边形标注转换为最小边界框，以提高裂缝检测器的训练效率。
• 应用鸟瞰图变换与低级轮廓检测技术，优化道路标识分割结果，提升准确性。

Figure 1. The overall framework of the RoadAtlas.

实验结果

研究问题

• RQ1 端到端系统能否以高精度与实时性能实现道路缺陷检测与道路标识解析？
• RQ2 如何将深度学习模型与可扩展后端及交互式仪表板集成，以支持实际的道路资产管理？
• RQ3 与传统方法相比，自动化检测在多大程度上可降低人工道路调查的成本与时间？
• RQ4 该系统能否在极少重新训练或数据重构的情况下，扩展以检测新型道路缺陷？
• RQ5 边界框检测与像素级分割的结合，在准确识别多样化道路缺陷方面效果如何？

主要发现

• RoadAtlas 通过自动化缺陷检测，显著降低了道路状况调查的成本与时间，与人工检查相比，单次调查可节省高达400K美元。
• 该系统利用两阶段深度学习流程，实现了对多种道路缺陷（包括Kerb_Cracking、Road_Crocodile、Road_Longitudinal、Road_Transverse、Road_Block与Sealed_Crack）的高精度检测。
• 基于U-Net的像素级分割使缺陷定位更加精确，可视化输出可将预测结果映射回原始图像以供验证。
• 鸟瞰图变换与低级轮廓检测的集成，通过使预测结果与几何规律对齐，显著提升了道路标识解析的准确性。
• 该平台支持实时数据处理与通过Web仪表板进行交互式验证，用户可检查、验证并以CSV或JSON格式导出缺陷与标识数据。
• 该系统具备可扩展性与可扩展性，通过模块化API设计与结构清晰的数据库，能够通过最少的调整适应新型缺陷类型与新数据输入。

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