Crowdsensing-based Road Damage Detection Challenge (CRDDC-2022)
The University of Tokyo(东京大学);UrbanX Technologies, Inc.(UrbanX科技公司);Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校);Osaka University of Economics(大阪经济大学)
本文总结了基于人群传感的道路损坏检测挑战赛(CRDDC),这是作为IEEE 2022年大数据国际会议的一部分组织的大数据杯。大数据杯的挑战涉及一个已发布的数据集和一个定义明确的问题,以及明确的评估指标。挑战赛在一个数据竞赛平台上进行,该平台为参赛者提供实时在线评估系统。在本案例中,数据构成47,420道路图像从印度,日本,捷克共和国,挪威,美国和中国收集,提出自动检测这些国家的道路损坏的方法。来自19个国家的60多支队伍报名参加了本次比赛。提交的解决方案使用五个排行榜进行评估,这些排行榜基于来自上述六个国家的不可见测试图像的性能。本文概括了这些团队提出的11个最佳解决方案。性能最好的模型利用基于YOLO和Faster-RCNN系列模型的集成学习,对来自所有6个国家的测试数据的F1得分为76%。本文最后比较了当前和过去的挑战,并为未来提供了方向。
2022-11-21 cs.AI cs.CV
Road Damage Detection Using Deep Neural Networks with Images Captured Through a Smartphone
University of Tokyo(东京大学)
使用图像处理技术的路面损伤检测的研究已经被积极地进行,实现了相当高的检测精度。许多研究仅关注是否存在损伤的检测。然而,在现实世界中,当管理机构的道路管理人员需要修复这种损坏时,他们需要清楚地了解损坏的类型,以便采取有效的行动。此外,在以前的许多研究中,研究人员使用不同的方法获得自己的数据。因此,没有统一的道路损坏数据集公开,导致缺乏道路损坏检测的基准。本研究为解决这些问题做出了三个贡献。首先,据我们所知,第一次准备了一个大规模的道路损坏数据集。该数据集由安装在汽车上的智能手机拍摄的9,053张道路损坏图像组成,这些道路图像中包含15,435个路面损坏实例。为了生成这个数据集,我们与日本的7个市政府合作,采集了40多个小时的道路图像。这些图像是在各种天气和光照条件下拍摄的。在每幅图像中,我们标注了代表损伤位置和类型的限界框。接下来,我们使用了一种最先进的目标检测方法,该方法使用卷积神经网络来训练我们的数据集的损伤检测模型,并使用GPU服务器和智能手机比较了两者的准确性和运行时速度。最后,我们证明了损伤的类型可以分为八种类型,具有较高的精度,通过应用所提出的目标检测方法。道路损坏数据集,我们的实验结果和本研究中使用的开发的智能手机应用程序都是公开的(https://github.com/sekilab/RoadDamageDetector/)。
2018-02-02 cs.CV cs.CY
Improving classification of road surface conditions via road area extraction and contrastive learning
University of Antwerp(安特卫普大学);imec(比利时微电子研究中心)
本研究通过分割模型提取路面区域并采用对比学习,在保持低计算成本的同时显著提升了路面状况分类性能,并在RTK数据集上验证了有效性。
2024-07-19 cs.CV
V-SenseDrive: A Privacy-Preserving Road Video and In-Vehicle Sensor Fusion Framework for Road Safety & Driver Behaviour Modelling
School of Electrical Engineering and Computer Science (SEECS), National University of Sciences and Technology (NUST)(电气工程与计算机科学学院(SEECS),国立科学与技术大学(NUST))
本文提出V-SenseDrive,首个在巴基斯坦采集的隐私保护多模态驾驶行为数据集,融合智能手机惯性、GPS数据与道路视频,覆盖正常、激进和危险三类行为,为驾驶行为分类、交通安全分析及ADAS开发提供基础。
2025-09-18 cs.AI cs.CV
A Dataset and Model for Crossing Indian Roads
G H Patel College of Engineering and Technology(G H帕特尔工程技术学院)
印度中型城镇的道路经常有大量的交通,但没有(或忽视)交通站。这使得盲人很难安全地过马路,因为视力对确定何时过马路是安全的至关重要。因此,自动和可靠的基于图像的安全分类器有可能帮助盲人穿越印度的道路。然而,我们目前缺乏从行人的角度在印度道路上收集的数据集,这些数据集标有过马路安全信息。来自其他国家的现有分类器通常用于十字路口,因此依赖于交通灯的检测和存在,这在印度的条件下不适用。我们介绍INDIAN(用于道路交叉的INdian数据集),这是第一个从行人角度捕获印度道路视频的数据集。INSIDE包含104个视频,由26k 1080p帧组成,每个视频都带有二进制道路交叉安全标签和车辆边界框。我们训练各种分类器来预测这些数据的道路交叉安全性,从SVM到卷积神经网络(CNN)。性能最佳的模型DilatedRoadCrossNet是一种专为Nvidia Jetson Nano部署而设计的新型单映像架构。它在看不见的图像上实现了79%的召回率和90%的准确率。最后,我们提出了一个可穿戴的过马路助手运行DilatedRoadCrossNet,它可以帮助盲人实时穿越印度的道路。该项目的网页是http://roadcross-assistant.github.io/Website/。
2023-01-08 cs.CV
Evaluating Computer Vision Techniques for Urban Mobility on Large-Scale, Unconstrained Roads
IIIT Hyderabad(海得拉巴国际信息技术学院)
解决道路安全问题的传统方法依赖于人工干预或固定的闭路电视基础设施。这些方法在强制遵守交通规则方面是昂贵的,并且不能扩展到大型道路网络。本文提出了一种简单的移动成像设置,以解决几个常见的问题,在大规模的道路安全。我们使用最新的计算机视觉技术来识别道路上可能存在的不规则性,路灯的缺失,以及使用移动摄像头车辆的视频来识别有缺陷的交通标志。除了静态道路基础设施的检测,我们还展示了移动成像解决方案在发现交通违规方面的适用性。在将我们的系统部署到现实世界之前,我们研究了计算机视觉技术在13个基于条件的分层标签上的优点和缺点。这些条件包括不同的时间、道路类型、交通密度和道路损坏状态。然后,我们的演示在整个城市2000公里的无约束道路场景上进行。通过这一点,我们通过精心构建的指标定量衡量城市道路的整体安全性。我们还展示了一个交互式仪表板,用于以时间,劳动力和成本效益的方式进行可视化检查和启动操作。本工作中使用的代码、模型和数据集将公开发布。
2021-09-11 cs.CV
ROAD-Waymo: A Large-Scale Action Awareness Dataset for Autonomous Driving
Oxford Brookes University(奥克斯福德布鲁克斯大学);MAZUST;University of Oxford(牛津大学);Imperial College London(伦敦帝国学院);ETH Zurich(苏黎世联邦理工学院)
本文提出ROAD-Waymo数据集,用于道路场景中代理、动作等检测技术开发与基准测试,比现有数据集更大更具挑战性,含大量标注数据,通过新注释管道增强完整性,还能解决不同国家道路场景的域适应问题。
2026-07-09 cs.CV
Road Damages Detection and Classification with YOLOv7
Sam Houston State University(萨姆休斯顿州立大学)
维护道路基础设施是实现安全、经济和可持续交通系统的重要因素之一。人工道路损坏数据汇集对于人类来说是费力且不安全的。这一领域将受益于人工智能技术的快速发展和传播。具体而言,深度学习的进步使得能够从收集的道路图像自动检测道路损坏。这项工作建议使用Google街景收集和标记道路损坏数据,并使用YOLOv7(You Only Look Once version 7)以及协调注意力和相关精度微调技术(如标签平滑和集成方法)来训练深度学习模型,以进行自动道路损坏检测和分类。所提出的方法被应用到基于人群感知的道路损坏检测挑战赛(CRDDC2022),IEEE BigData 2022。结果表明,从谷歌街景收集的数据汇集是有效的,所提出的深度学习方法在使用谷歌街景从美国收集的道路损坏数据上的F1得分为81.7%,在该数据集的所有测试图像上的F1得分为74.1%。
2022-10-31 cs.CV
M2S-RoAD: Multi-Modal Semantic Segmentation for Road Damage Using Camera and LiDAR Data
Australian Centre for Robotics (ACFR), The University of Sydney(澳大利亚机器人中心(ACFR),悉尼大学);University of Washington(华盛顿大学)
针对农村道路损伤检测研究不足的问题,本文提出M2S-RoAD数据集,基于相机与LiDAR数据实现道路损伤多模态语义分割,覆盖澳大利亚新南威尔士州农村地区九类损伤,填补农村道路损伤语义分割数据集空白。
2025-04-14 cs.CV
RoadGIE: Towards A Global-Scale Aerial Benchmark for Generalizable Interactive Road Extraction
NKIARI, Shenzhen Futian(深圳福田NKIARI);VCIP, CS, Nankai University(南开大学VCIP研究所);AAIS, Nankai University(南开大学AAIS);College of Electronic Engineering, National University of Defense Technology, Changsha, China(国防科技大学电子工程学院,长沙,中国)
提出最大、最多样的道路分割数据集WorldRoadSeg-360K,并设计支持连通性感知提示的交互式方法RoadGIE,在分割精度和拓扑一致性上达到最优。
2026-05-26 cs.CV
Road Damage Detection Acquisition System based on Deep Neural Networks for Physical Asset Management
Universidad Autónoma de Guadalajara(瓜达拉哈拉自治大学);Vidrona LTD(Vidrona有限公司);ITESM Campus Guadalajara(蒙特雷科技大学瓜达拉哈拉校区)
路面损伤检测是一个非常活跃的研究领域,但目前大多数研究都集中在路面损伤的检测上。然而,在现实世界中,道路管理者需要清楚地了解损坏的类型及其程度,以便提前采取有效行动或分配必要的资源。此外,目前几乎没有统一和公开的道路损坏数据集,导致缺乏一个共同的基准道路损坏检测。这样的数据集可以用于各种各样的应用程序;在这里,它旨在作为物理资产管理工具的获取组件,可以帮助政府机构进行规划,或由基础设施维护公司。在本文中,我们做了两个贡献来解决这些问题。首先,我们提出了一个大规模的道路损坏数据集,其中包括一个更平衡和代表性的损害。该数据集由智能手机拍摄的18,034张道路损坏图像组成,其中45,435张是路面损坏。其次,我们训练了不同类型的目标检测方法,包括传统的(LBP级联分类器)和基于深度学习的方法,特别是MobileNet和RetinaNet,它们适用于嵌入式和移动设备,并且在许多应用程序中具有可接受的性能。我们比较了所有这些模型的准确性和推理时间与其他国家的最先进的。
2019-09-19 cs.CV
Road surface detection and differentiation considering surface damages
Federal University of Santa Catarina(圣卡塔琳娜联邦大学);National Institute for Digital Convergence(国家数字融合研究所)
在车辆和机器人在严重受损和未铺设道路上导航的视觉感知领域仍需克服的挑战是可靠的路径和障碍物检测任务。绝大多数的研究都是以发达国家的状况良好的道路作为场景.这些工程应对的路面变化情况很少,甚至出现路面损坏的情况也很少。在本文中,我们提出了一种道路检测的方法,考虑到表面类型的变化,确定铺装和未铺装的表面,也检测损坏和其他信息的其他路面上,可能是相关的驾驶安全。我们还提出了一个新的地面真理与图像分割,在我们的方法中使用,使我们能够评估我们的结果。我们的研究结果表明,这是可能的,使用被动视觉为这些目的,即使使用低成本相机捕获的图像。
2020-06-23 cs.CV
Road Damage Detection Based on Unsupervised Disparity Map Segmentation
The Hong Kong University of Science and Technology(香港科技大学)
提出了一种新的基于非监督视差图分割的道路破损检测算法。首先,通过最小化关于立体装备滚动角和道路视差投影模型的能量函数来变换视差图。而不是解决这个能量最小化问题,使用非线性优化技术,我们直接找到它的数值解。变换后的视差图,然后分割使用Otus的阈值方法,和损坏的道路区域可以提取。该算法在检测道路损伤时不需要任何参数。实验结果表明,我们提出的算法进行准确和有效的。像素级道路损伤检测准确率约为97.56%。
2019-10-11 cs.CV cs.LG eess.IV
AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency & Quantifying Road Damage
Advanced Research Lab, NavInfo Europe(四维图新欧洲高级研究实验室)
道路基础设施维护检查通常是一项劳动密集型的关键任务,以确保所有道路使用者的安全。人工智能(AI)中用于目标检测和分割的现有最先进技术有助于在提供足够的注释数据的情况下自动执行大量任务。然而,从头开始注释视频是成本高昂的。例如,注释者可能需要几天时间来注释以30 FPS录制的5分钟视频。因此,我们提出了一个自动标签管道,利用技术,如少样本学习和分布外检测,以生成标签的道路损坏检测。此外,我们的管道包括通过实例量化对每个损坏进行风险因素评估,以优先考虑维修位置,从而优化道路维护机械的部署。我们表明,使用这些技术训练的人工智能模型不仅可以更好地推广到看不见的真实世界数据,减少对人类注释的要求,而且还可以提供对维护紧急性的估计,从而实现更安全的道路。
2022-10-07 cs.CV
IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes
IIIT Hyderabad(海得拉巴国际信息技术研究所);Hasan Kalyoncu University(哈桑·卡尔永库大学);UC San Diego(加州大学圣地亚哥分校)
自动驾驶和辅助系统依赖于来自交通和道路场景的注释数据来建模和学习复杂现实世界场景中的各种对象关系。可部署的深度学习架构的准备和训练要求模型适合不同的流量场景,并适应不同的情况。目前,现有的数据集虽然规模很大,但缺乏这种多样性,而且在地理上主要偏向发达城市。在印度等几个发展中国家发现的非结构化和复杂的驾驶布局对这些模型构成了挑战,因为对象类型,密度和位置的变化程度很大。为了更好地研究这些场景,我们构建了一个新的数据集IDD-3D,它由来自多个摄像头和LiDAR传感器的多模态数据组成,其中包含各种交通场景中的12 k注释驾驶LiDAR帧。我们通过与现有数据集的统计比较讨论了对该数据集的需求,并强调了复杂布局中标准3D目标检测和跟踪任务的基准。代码和数据可在https://github.com/shubham1810/idd3d_kit.git上获得
2022-10-23 cs.CV
We Learn Better Road Pothole Detection: from Attention Aggregation to Adversarial Domain Adaptation
UC San Diego(加州大学圣迭戈分校);HKUST Robotics Institute(香港科技大学机器人研究所);University of Bristol(布里斯托大学)
由认证检查员进行的人工目视检查仍然是道路坑洞检测的主要形式。然而,这一过程不仅繁琐、费时和费钱,而且对视察员来说也很危险。此外,路面坑槽检测结果往往是主观的,因为它们完全依赖于个人的经验。我们最近推出的视差(或逆深度)变换算法可以更好地区分损坏和未损坏的道路区域,它可以很容易地部署到任何语义分割网络,以获得更好的道路坑洞检测结果。为了提高性能,我们提出了一种新的注意力聚合(AA)框架,它采取了不同类型的注意力模块的优点。此外,我们开发了一种有效的训练集增强技术的基础上对抗领域自适应,其中合成道路RGB图像和转换后的道路视差(或逆深度)图像生成,以加强语义分割网络的训练。实验结果表明,首先,变换后的视差(或逆深度)图像变得更有信息量;其次,我们的最佳性能实现AA-UNet和AA-RTFNet分别优于所有其他最先进的单模态和数据融合网络,用于道路坑洞检测;最后,基于对抗性领域自适应的训练集增强技术不仅提高了状态估计的准确性,艺术语义分割网络,而且还加速了它们的融合。
2020-12-11 cs.CV cs.RO
Road Damage Detection using Deep Ensemble Learning
University of South Florida(南佛罗里达大学)
道路损坏检测对于道路的维护至关重要,传统上使用昂贵的高性能传感器来执行。随着最近技术的进步,特别是在计算机视觉方面,现在可以检测和分类不同类型的道路损坏,这可以促进有效的维护和资源管理。在这项工作中,我们提出了一个用于有效检测和分类道路损坏的集成模型,并已提交给2020年IEEE BigData Cup挑战赛。我们的解决方案利用了最先进的对象检测器,称为You Only Look Once(YOLO-v4),它是在捷克,日本和印度的各种道路损坏图像上训练的。我们的集成方法用几个不同的模型版本进行了广泛的测试,它在测试1数据集上的F1得分为0.628,在测试2数据集上的F1得分为0.6358。
2020-10-30 cs.CV cs.LG
Integrating GAN and Texture Synthesis for Enhanced Road Damage Detection
Sun Yat-Sen University(中山大学)
本文提出融合GAN生成损伤形状与纹理合成控制严重程度,并通过泊松融合和结构相似性自动筛选实现数据增强,在公开数据集上将mAP提升4.1%、F1提升4.5%。
2024-03-04 cs.CV
Computer-Aided Road Inspection: Systems and Algorithms
Tongji University(同济大学);Continental AG(大陆集团);University of Bristol(布里斯托大学)
道路损坏是一种不便和安全隐患,严重影响车辆状况、驾驶舒适性和交通安全。传统的人工视觉道路检测过程是昂贵的,危险的,疲惫的,繁琐的。此外,人工道路检查结果是定性和主观的,因为它们完全取决于检查员的个人经验。因此,对自动化道路检测系统的需求不断增加。本章首先比较了五种最常见的道路损坏类型。然后,讨论了2-D/3-D道路成像系统。最后,介绍了机器视觉和智能道路损伤检测算法的研究现状。
2022-03-04 cs.CV
FasterRCNN Monitoring of Road Damages: Competition and Deployment
Kobe University(神户大学)
维护老化的基础设施是世界各地的地方和国家管理人员目前面临的一项挑战。高效基础设施维护的一个重要前提是持续监控(即,量化安全性和可靠性水平)的状态。与此同时,计算机视觉近年来取得了令人印象深刻的进步,这主要归功于深度学习模型的成功应用。这些新的进展使视觉任务自动化成为可能,这在以前是不可能实现自动化的,为帮助管理员优化基础设施维护操作提供了有希望的可能性。在此背景下,IEEE 2020全球道路损坏检测(RDD)挑战赛为深度学习和计算机视觉研究人员提供了参与并帮助准确跟踪道路网络上的路面损坏的机会。本文提出了两个贡献的主题:在第一部分中,我们详细介绍了我们的解决方案RDD的挑战。在第二部分中,我们提出了我们的努力部署我们的模型在当地的道路网络,解释所提出的方法和遇到的挑战。
2020-10-22 cs.CV
Cut-and-Paste with Precision: a Content and Perspective-aware Data Augmentation for Road Damage Detection
KTH(瑞典皇家理工学院);Intelligent Maintenance and Operations Systems, EPFL(洛桑联邦理工学院智能维护与运行系统)
针对标准剪切粘贴数据增强在道路损伤检测中效果有限的问题,提出一种兼具内容感知与视角感知的改进方法,以生成更真实的增强图像、提升数据多样性。
2024-07-10 cs.CV eess.IV
A Performance Increment Strategy for Semantic Segmentation of Low-Resolution Images from Damaged Roads
Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
针对新兴国家受损道路低分辨率图像中目标像素少、形状不定和类别欠代表问题,本文提出包含14个训练实验的PISSS方法,在RTK和TAS500上分别取得79.8和68.8 mIoU的最新结果,并分析了DeepLabV3+的小目标分割缺陷。
2024-11-25 cs.CV
Road Damage Detection And Classification In Smartphone Captured Images Using Mask R-CNN
Atkins(阿特金斯);Indian Institute Of Science(印度科学学院)
本文总结了我们的解决方案的设计,实验和结果的道路损坏检测和分类的挑战举行的一部分,2018年IEEE大数据杯国际会议。道路损伤的自动检测和分类是维护和自动驾驶等多种应用的基本问题。我们证明了基于卷积神经网络的实例检测和分类方法可以用来解决这个问题。特别是,我们表明,Mask-RCNN,一个国家的最先进的算法,用于目标检测,定位和实例分割的自然图像,可以用来执行这项任务,以快速的方式与有效的结果。在使用智能手机摄像头获取的真实道路图像中,我们在IoU为50%的情况下实现了0.528的平均F1分数,对不同类型的损坏进行检测和分类,在NVIDIA GeForce 1080Ti显卡上,我们对每张图像的平均推理时间为0.105秒。我们的方法的代码和保存的模型可以在这里找到:https://github.com/sshkhr/BigDataCup18提交
2018-11-12 cs.CV
Global License Plate Dataset
Ahmedabad University(艾哈迈达巴德大学)
为推动道路安全等领域技术发展,推出含超500万张来自74个国家图像、多维度精细标注的Global License Plate Dataset,提供统计分析与基线模型,作为车牌识别模型开发微调的核心基准。
2024-03-22 cs.CV
Paved or unpaved? A Deep Learning derived Road Surface Global Dataset from Mapillary Street-View Imagery
Heidelberg Institute of Geoinformation Technology (HeiGIT)(海德堡地理信息技术研究所);Heidelberg University(海德堡大学)
本研究利用Mapillary的1.05亿张街景图像,结合SWIN-Transformer与CLIP分割阈值法的混合深度学习方法,构建了覆盖全球的铺装/非铺装路面开放数据集,扩充了300多万公里路面信息,可支撑城市规划等多领域应用及多项可持续发展目标。
2024-10-29 cs.AI cs.CV
Zero-Shot Image-Based Large Language Model Approach to Road Pavement Monitoring
University College Cork(科克大学学院);McCurdy Associates Consulting Engineers Ltd(麦柯迪联合咨询工程师有限公司)
本文提出一种基于大语言模型的零样本路面状况评估方法,通过结构化提示工程对齐PSCI标准,在谷歌街景图像上取得优于专家评估的准确性和一致性,展示了城市规模自动化道路监测的潜力。
2025-04-09 cs.AI cs.CV
Road Damage Detection and Classification with Detectron2 and Faster R-CNN
Texas Tech University(得克萨斯理工大学)
道路对生活的许多方面都至关重要,道路维护对人类安全至关重要。及时修复道路损坏的关键任务之一是快速有效地检测和分类。这项工作详细介绍了这些任务的策略和实验评估。具体来说,我们使用不同的基本模型和配置来评估Detectron 2对Faster R-CNN的实现。我们还使用2020年全球道路损坏检测挑战赛(IEEE Big Data 2020 Big Data Cup Challenge数据集中的一个赛道)对这些方法进行了实验。结果表明,具有Detectron 2默认配置的Faster R-CNN的X101-FPN基础模型是有效的,并且足够通用,可以在这项挑战中转移到不同的国家。这种方法导致挑战的测试1和测试2集的F1得分分别为51.0%和51.4%。虽然可视化显示了良好的预测结果,但F1得分较低。因此,我们也评估了预测结果对现有的注释,并发现一些差异。因此,我们还提出了改进该数据集标记过程的策略。
2020-10-28 cs.CV
Addressing the Invisible: Street Address Generation for Developing Countries with Deep Learning
Facebook(脸书);MIT Media Lab(麻省理工学院媒体实验室)
世界上一半以上的道路缺乏适当的街道寻址系统。缺乏地址在发展中国家人民的日常生活中更为明显。我们想反对拥有地址是一种奢侈的假设,提出一种生成地址设计,根据街道映射世界。寻址方案的设计考虑了世界各地城市发展方案中采用的几种传统街道寻址方法。我们的算法应用深度学习从卫星图像中提取道路,将道路像素置信度转换为道路网络,对道路网络进行分区以找到邻域,并使用基于图形和邻近度的算法标记区域,道路和地址单元。我们提出了我们的结果,在美国的一个样本城市,和几个发展中城市,比较旅行时间的用户使用当前的临时和新的完整地址,并将我们的解决方案,目前的工业和开放的地理编码的替代品。
2018-11-10 cs.CV cs.CY cs.LG
DAPONet: A Dual Attention and Partially Overparameterized Network for Real-Time Road Damage Detection
Shandong Jianzhu University(山东建筑大学);Beijing Normal University(北京师范大学);BISTU(北京信息科技大学)
本文提出DAPONet,通过双注意力、多尺度部分过参数化和高效下采样模块,在实时道路损伤检测中以更少参数和计算量超越YOLOv10n与EfficientDet-D1。
2024-09-03 cs.CV
Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10
Sam Houston State University(萨姆休斯顿州立大学);Academy of Finance(金融学院);FPT University(FPT大学)
维护道路基础设施对于确保安全、高效和可持续的交通系统至关重要。然而,用于检测道路损坏的手动数据汇集是耗时的、劳动密集型的,并且带来安全风险。人工智能的最新进展,特别是深度学习,为使用道路图像自动化这一过程提供了一个有前途的解决方案。本文提出了一种使用深度学习模型进行道路损坏检测的综合工作流程,重点关注在保持检测准确性的同时优化推理速度。具体而言,为了适应硬件限制,裁剪大图像,并利用轻量级模型。此外,外部坑洞数据集被纳入,以提高这种代表性不足的损害类的检测。所提出的方法采用多个模型架构,包括具有协调注意力层的自定义YOLOv 7模型和Tiny YOLOv 7模型,这些模型经过训练和组合以最大限度地提高检测性能。模型被进一步重新参数化以优化推理效率。实验结果表明,自定义YOLOv 7模型与三个坐标注意力层和默认的Tiny YOLOv 7模型的集成实现了F1得分为0.7027,推理速度为0.0547秒/图像。完整的管道,包括数据预处理,模型训练和推理脚本,在该项目的GitHub存储库中公开提供,从而实现可重复性并促进进一步的研究。
2024-10-10 cs.CV
Real-Time Dynamic Scale-Aware Fusion Detection Network: Take Road Damage Detection as an example
School of Computer Science and Technology, Shandong Jianzhu University(山东建筑大学计算机科学与技术学院);School of Science, Shandong Jianzhu University(山东建筑大学理学院)
本文针对无人机道路损坏检测中尺寸方向不规则、背景干扰等问题,提出RT-DSAFDet模型,通过形状背景自适应特征提取、多尺度融合和高效下采样模块,在UAV-PDD2023和MS COCO2017上以更低参数量和FLOPs取得优于YOLOv10-m等模型的检测性能。
2024-09-04 cs.CV
Comparative Analysis of Custom CNN Architectures versus Pre-trained Models and Transfer Learning: A Study on Five Bangladesh Datasets
本研究比较了自定义CNN与预训练模型在不同孟加拉国数据集上的表现,发现迁移学习在复杂任务中性能更优,尤其在数据有限时效果显著。
2026-01-07 cs.CV cs.LG
An Efficient and Scalable Deep Learning Approach for Road Damage Detection
Lamar University(拉马尔大学);Stanley Black & Decker(史丹利百得)
路面状况评估是必要的时间预防或修复行动和控制损坏的传播。如果不及时进行评估,可能导致基础设施和完全重建的严重结构和财政损失。自动化的计算机辅助测量措施可提供道路损坏模式及其位置的数据库。该数据库可用于及时的道路维修,以获得最低的维护成本和沥青的最大耐久性。本文介绍了一种基于深度学习的测量方案,以实时分析基于图像的遇险数据。一个数据库,包括不同的人口的裂缝困扰类型,如纵向,横向和鳄鱼裂纹,使用移动设备拍摄。然后,一个家庭的高效和可扩展的模型,调整路面裂缝检测进行了训练,并探讨了各种增强政策。提出的模型,导致F1分数,范围从52%到56%,平均推理时间从178 - 10图像每秒。最后,检查对象检测器的性能,并针对各种图像报告误差分析。源代码可在www.example.com上获得。
2020-12-17 cs.CV
OpenStreetView-5M: The Many Roads to Global Visual Geolocation
LIGM(LIGM机构);Ecole des Ponts(巴黎路桥学院);CNRS(法国国家科学研究中心);UGE(巴黎东大学);IGN(法国国家地理学会);ENSG(巴黎高等地理学院);LASTIG(LASTIG机构);CESBIO(CESBIO机构);Univ de Toulouse(图卢兹大学);CNES(法国国家空间研究中心);IRD(法国发展研究院);INRAE(法国国家农业食品与环境研究院);UPS(图卢兹第三大学);LIX(LIX机构);Ecole Polytechnique(巴黎综合理工学院);IP Paris(巴黎理工学院);UC Berkeley(加州大学伯克利分校);Inria Paris(巴黎信息与自动化研究所)
本文提出大规模开放获取街景数据集OpenStreetView-5M,包含超510万张覆盖225国地区的地理参考图像,通过严格训练测试分离评估视觉地理定位算法,并广泛基准测试了多种图像编码器与训练策略。
2024-04-29 cs.AI cs.CV
Intelligent Road Condition Monitoring using 3D In-Air SONAR Sensing
Department of Electronics and ICT Engineering Technology, Cosys-Lab Research Group, University of Antwerp(安特卫普大学电子与ICT工程技术系Cosys-Lab研究组);Flanders Make Strategic Research Centre(弗兰德斯制造战略研究中心)
本文研究了空中3DSONAR传感器在道路表面状况监测中的应用,通过单个数据集实现道路材料分类和道路损坏检测,采用SONAR传感在恶劣天气下表现更优,但损坏检测准确率仍需提升。
2026-03-30 cs.CV cs.LG
CNN Model & Tuning for Global Road Damage Detection
Hitachi America Ltd. Research & Development(日立美国有限公司研究与开发部)
本文提供了一份报告,我们的解决方案,包括模型选择,调整策略和全球道路损坏检测挑战赛取得的结果。本次大数据杯挑战赛是IEEE 2020年大数据国际会议的一部分。我们评估了用于目标检测的单级和多级网络架构,并使用流行的最先进的开源PyTorch框架(如Detectron 2和Yolov 5)提供了一个基准。讨论了使用来自捷克、印度和日本的智能手机摄像头捕获的道路损坏训练数据集的数据准备。我们研究了一个单一的可推广的模型,在每个国家的基础上的培训效果。我们简要描述了在具有深度残差网络(Resnet)和特征金字塔网络(FPN)骨干的两阶段Faster R-CNN上进行的实验的调优策略。此外,我们将其与具有跨阶段部分网络(CSPNet)骨干的一阶段Yolov 5模型进行了比较。我们使用多阶段Faster R-CNN模型,分别使用Resnet-50和Resnet-101主干,在Test 2和Test1数据集上显示平均F1得分分别为0.542和0.536。这表明了Resnet-50模型与其更复杂的模型相比的普遍性。使用具有K80的Google Colab和具有1080Ti、NVIDIA消费级GPU的Linux PC进行实验。基于PyTorch的Detectron 2代码可用于预处理、训练、测试和提交Avg F1分数,可在https://github.com/vishwakarmarhl/rdd2…
2021-03-17 cs.CV
YOLO-ROC: A High-Precision and Ultra-Lightweight Model for Real-Time Road Damage Detection
Shandong Jianzhu University(山东建筑大学)
针对现有道路损伤检测模型小目标漏检率高、参数量大的问题,本文提出轻量模型YOLO-ROC,通过BMS-SPPF模块和通道压缩策略提升精度并降低计算量,在相关数据集上表现优于基线且泛化性好。
2025-07-31 cs.CV
StripRFNet: A Strip Receptive Field and Shape-Aware Network for Road Damage Detection
Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院数字地球科学重点实验室);International Research Center of Big Data for Sustainable Development Goals(可持续发展大数据国际研究中心);University of Chinese Academy of Sciences(中国科学院大学);Southeast University(东南大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
本文提出 StripRFNet,通过形状感知、条形感受野和小目标增强模块提升道路损伤检测性能,在 RDD2022 上达到最先进精度并保持实时效率。
2025-10-17 cs.CV
Transformer-based Flood Scene Segmentation for Developing Countries
BITS Pilani(博拉理工学院);MANIT Bhopal(莫拉纳·阿扎德国立理工学院博帕尔分校)
洪水是一种大规模的自然灾害,通常会导致大量人员死亡,广泛的物质损失和经济动荡。在人口多、资源少的发展中国家,这种影响更为广泛和持久。早期预警系统(EWS)不断评估水位和其他因素来预测洪水,以帮助最大限度地减少损失。灾后,救灾小组进行灾后需求评估,以评估结构性破坏,并确定最佳战略,以应对受灾严重的街区。然而,即使在今天的发展中国家,EWS和PDSA对大量图像和视频数据的分析主要是由第一反应者和志愿者进行的手动过程。我们提出了FloodTransformer,据我们所知,这是第一个基于视觉变换的模型来检测和分割受灾地区的空中图像在灾难现场。我们还提出了一个自定义的指标,洪水容量(FC)来衡量水覆盖的空间范围和量化的分割淹没区EWS和PDSA分析。我们使用SWOC Flood分割数据集并实现0.93 mIoU,优于所有其他方法。我们通过验证来自其他洪水数据源的未见过的洪水图像,进一步展示了这种方法的鲁棒性。
2022-10-09 cs.CV cs.LG
Truck Traffic Monitoring with Satellite Images
Carnegie Mellon University(卡内基梅隆大学);ETH Zürich(苏黎世联邦理工学院)
公路货运部门在温室气体排放中所占的份额很大,而且还在不断增加,但关于世界许多地区公路货运量的可靠数据却很少。许多低收入和中等收入国家的地面交通监测和货运调查活动有限。在这个概念证明中,我们证明了我们可以使用目标检测网络来计算卫星图像中的卡车数量,并从这些数量中预测平均每年的卡车流量。我们描述了一个完整的模型,测试估计的不确定性,并讨论了转移到发展中国家。
2019-07-17 cs.CV cs.CY
Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets
North Dakota State University(北达科他州立大学);Kwame Nkrumah University of Science and Technology(夸梅·恩克鲁玛科技大学)
针对发展中国家路面病害检测的需求,提出结合YOLO模型与CBAM的深度学习方法,可检测四类路面病害,还开发了网页检测应用,提供定制化解决方案。
2024-08-10 cs.CV
Self-Supervised Visual Prompting for Cross-Domain Road Damage Detection
University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);Cornell University(康奈尔大学);Yale University(耶鲁大学);University of California Irvine(加州大学伊万哥罗市分校);Brown University(布朗大学);Oak Ridge National Laboratory(橡树岭国家实验室)
针对跨域道路损伤检测中域偏移问题,提出自监督框架\textbf{\textit{PROBE}},通过SPEM模块和DAPA目标实现零样本迁移、增强域鲁棒性,在四个基准上优于现有方法,为自适应视觉检测提供新方向。
2025-11-16 cs.CV
YOLO9tr: A Lightweight Model for Pavement Damage Detection Utilizing a Generalized Efficient Layer Aggregation Network and Attention Mechanism
King Mongkut’s University of Technology Thonburi(国王科技大学(吞武里));Infraplus Co., Ltd.(Infraplus有限公司)
本文提出轻量化模型 YOLO9tr 用于路面损坏检测,基于 YOLOv9 架构并结合部分注意力模块,在多国道路损坏数据集上训练,实现了高精度与高推理速度的平衡,适用于实时监测。
2024-06-18 cs.CV
WildRoadBench: A Wild Aerial Road-Damage Grounding Benchmark for Vision-Language Models and Autonomous Agents
University of Electronic Science and Technology of China(电子科技大学);National University of Singapore(新加坡国立大学);De Artificial Intelligence Lab(德人工智能实验室);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));University of Science and Technology of China(中国科学技术大学)
提出WildRoadBench基准,通过VLM直接定位和LLM驱动智能体自主研究两种协议,评估模型在航拍道路损伤定位上的性能,发现现有方法在野外场景下仍不可靠。
2026-06-02 cs.CV cs.LG
Rethinking Road Surface 3D Reconstruction and Pothole Detection: From Perspective Transformation to Disparity Map Segmentation
UC San Diego(加州大学圣地亚哥分校);Cyprus International University(塞浦路斯国际大学);the Hong Kong University of Science and Technology(香港科技大学);University of Thessaloniki(塞萨洛尼基大学)
路面坑槽是最常见的道路损坏形式之一,它会严重影响驾驶舒适性、道路安全性和车辆状况。坑洞检测通常由结构工程师或认证检查员执行。然而,这项任务不仅对工作人员有危险,而且极其耗时。提出了一种基于视差图估计和分割的路面坑槽检测算法。我们首先概括的透视变换,将立体钻机滚动角。然后使用半全局匹配来估计道路差异。然后执行视差图变换算法以更好地区分损坏的道路区域。最后,我们利用简单的线性迭代聚类,将变换后的视差分组为超像素的集合。然后通过找到超像素来检测坑洞,超像素的值低于自适应确定的阈值。该算法在NVIDIA RTX 2080 Ti GPU上实现。实验结果表明,我们提出的道路坑洞检测算法的准确性和效率,其中的准确率为99.6%,F-得分为89.4%。
2020-12-31 cs.CV cs.RO
Fuzzy-Logic and Deep Learning for Environmental Condition-Aware Road Surface Classification
本文提出利用模糊逻辑和深度学习方法,基于天气和时间信息对道路表面进行分类,达到95%以上的准确率。
2026-01-12 cs.AI cs.CV
MCANet: A Multi-Scale Class-Specific Attention Network for Multi-Label Post-Hurricane Damage Assessment Using UAV Imagery
Georgia Institute of Technology(佐治亚理工学院);The University of Sydney(悉尼大学)
针对飓风后无人机影像多标签损毁评估中多尺度与类别共现难题,提出MCANet框架,集成Res2Net主干与类别特定残差注意力,在RescueNet上以91.37% mAP超越ViT-B/16,且参数和计算量大幅降低。
2026-09-09 cs.AI cs.CV
Effective Damage Data Generation by Fusing Imagery with Human Knowledge Using Vision-Language Models
City College of New York(纽约市立学院);Air Force Research Lab(空军研究实验室)
针对HADR中损伤评估数据稀缺与不平衡问题,提出利用视觉语言模型融合图像与人类知识生成多样化损伤数据,初步实验证明该方法能有效提升不同结构损伤场景的分类性能。
2025-08-02 cs.AI cs.CV
CNN-Based Semantic Change Detection in Satellite Imagery
The University of Manchester(曼彻斯特大学)
及时的灾害风险管理需要准确的路线图和迅速的损害评估。目前,这是由志愿者手动标记受影响地区的卫星图像完成的,但这一过程缓慢,而且往往容易出错。分割算法可应用于卫星图像以检测道路网络。然而,现有的方法是不适合受灾地区,因为他们作出的道路网络拓扑结构,这可能不再是有效的,在这些情况下的假设。在这里,我们提出了一个基于CNN的框架,用于通过检测灾前图像的变化来识别灾后图像中的可通行道路。将图论与CNN输出相结合,用于检测OpenStreetMap数据道路网络中的语义变化。我们的研究结果与数据的海啸影响地区在帕卢,印度尼西亚从DigitalGlobe获得验证。
2020-06-10 cs.CV
Road Rutting Detection using Deep Learning on Images
The University of Tokyo(东京大学);Urban-X Technologies, Inc.(Urban-X科技公司)
道路车辙是一种严重的道路病害,它会导致道路过早失效,从而产生早期和昂贵的维护成本。在过去几年中,正在积极进行使用图像处理技术和深度学习的道路损伤检测研究。然而,这些研究主要集中在检测裂缝,坑洞,以及它们的变种。很少有研究已经做了检测道路车辙。本文提出了一种新的道路车辙数据集,包括949图像,并提供对象级和像素级注释。采用目标检测模型和语义分割模型对该数据集进行车辙检测,并对模型预测结果进行定量和定性分析,以评价模型性能,明确该方法在车辙检测中面临的挑战。目标检测模型YOLOX-s实现了61.6%的mAP@IoU=0.5,语义分割模型PSPNet(Resnet-50)实现了54.69的IoU和72.67的准确率,从而为未来的类似工作提供了基准准确率。拟议的道路车辙数据集和我们的研究结果将有助于加速使用深度学习检测道路车辙的研究。
2022-09-28 cs.CV
COLLIDE-PRED: Prediction of On-Road Collision From Surveillance Videos
Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校)
预测道路上的异常情况,如道路事故或交通违规,是交通监控中一项具有挑战性的任务。如果能提前做好这样的预测,许多损害是可以控制的。在我们的工作中,我们试图用计算机视觉和深度网络来制定交通监控视频中自动碰撞预测的解决方案。它涉及目标检测、跟踪、轨迹估计和碰撞预测。我们提出了一个端到端的碰撞预测系统,命名为COLLIDE-PRED,智能地集成了过去和未来的移动对象的轨迹的信息来预测视频中的碰撞。这是一条从用于对象跟踪的目标检测开始,然后执行轨迹预测,最后进行碰撞检测的流水线。COLLIDE-PRED能够准确识别出碰撞的可能位置和可能导致碰撞的物体,并通过大量视频对该方法进行了实验验证,证明该方法能够有效地提前识别事故。
2021-01-21 cs.CV
A Computer Vision-assisted Approach to Automated Real-Time Road Infrastructure Management
道路路面损坏的精确自动检测对于及时识别和修复潜在的事故诱发道路危险(例如坑洞和其他表面水平的沥青裂缝)至关重要。在缺乏政府基础设施维护资金的低资源环境中,由于对道路系统的道路危险进行不充分和不经常的人工检查,通常会增加潜在致命交通事故的风险,部署这种系统将更加有利。为解决此问题,电气及电子工程师学会(“IEEE”)于二零二零年五月举办的一项研究计划(作为其二零二零年全球道路损坏检测(“GRDC”)挑战赛的一部分)发布了一个新颖的21,041个各种道路损坏的注释图像数据集,呼吁学术界及其他研究人员就这些道路危险检测问题提交基于深度学习的创新解决方案。利用该数据集,我们提出了一种监督目标检测方法,该方法利用You Only Look Once(“YOLO”)和Faster R-CNN框架,通过安装在汽车仪表盘上的智能手机摄像头实时的【形】检测和分类道路故障,产生了0. 68 F1得分的实验结果,在截至2021年12月的121支参赛队伍中排名前5。
2022-02-27 cs.CV cs.LG
Multiple data sources and domain generalization learning method for road surface defect classification
University of Antwerp(安特卫普大学);imec(校际微电子中心);IDLab
针对现有路面缺陷检测深度学习方法泛化性差、多数据源训练研究不足的问题,提出结合多数据源不变性处理与域泛化训练的分类方法,经RDD2022的6国数据源验证,可高效适配未见数据的路面缺陷分类任务。
2024-07-14 cs.CV
YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling
Infraplus Co., Ltd.(因弗拉普拉斯有限公司)
该研究针对路面病害检测的小目标前提提出质疑,构建YOLO26-RD检测器,通过优化检测层级等设计,在7618张图像数据集上提升了mAP50,为路面病害检测提供了测量驱动的优化思路。
2026-08-19 cs.CV