論文の概要: Pavement Fatigue Crack Detection and Severity Classification Based on Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2407.16021v1
- Date: Mon, 22 Jul 2024 19:56:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 19:25:20.596510
- Title: Pavement Fatigue Crack Detection and Severity Classification Based on Convolutional Neural Network
- Title（参考訳）: 畳み込みニューラルネットワークによる舗装疲労き裂検出と重症度分類
- Authors: Zhen Wang, Dylan G. Ildefonzo, Linbing Wang,
- Abstract要約: 疲労き裂、またはアリゲーターき裂( alligator cracking)はアスファルト舗装の一般的な苦難の1つである。
2つの目的を達成できる新しい深層畳み込みニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 8.233892677749276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the varying intensity of pavement cracks, the complexity of topological structure, and the noise of texture background, image classification for asphalt pavement cracking has proven to be a challenging problem. Fatigue cracking, also known as alligator cracking, is one of the common distresses of asphalt pavement. It is thus important to detect and monitor the condition of alligator cracking on roadway pavements. Most research in this area has typically focused on pixel-level detection of cracking using limited datasets. A novel deep convolutional neural network that can achieve two objectives is proposed. The first objective of the proposed neural network is to classify presence of fatigue cracking based on pavement surface images. The second objective is to classify the fatigue cracking severity level based on the Distress Identification Manual (DIM) standard. In this paper, a databank of 4484 high-resolution pavement surface images is established in which images are taken locally in the Town of Blacksburg, Virginia, USA. In the data pre-preparation, over 4000 images are labeled into 4 categories manually according to DIM standards. A four-layer convolutional neural network model is then built to achieve the goal of classification of images by pavement crack severity category. The trained model reached the highest accuracy among all existing methods. After only 30 epochs of training, the model achieved a crack existence classification accuracy of 96.23% and a severity level classification accuracy of 96.74%. After 20 epochs of training, the model achieved a pavement marking presence classification accuracy of 97.64%.
- Abstract（参考訳）: 舗装き裂の強度, トポロジカル構造の複雑さ, テクスチャ背景の騒音などにより, アスファルト舗装き裂の画像分類は困難であることが判明した。
疲労き裂、またはアリゲーターき裂( alligator cracking)はアスファルト舗装の一般的な苦難の1つである。
したがって,道路舗装におけるアリゲータのひび割れを検知し,監視することが重要である。
この領域のほとんどの研究は、典型的には、限られたデータセットを使用してクラッキングをピクセルレベルで検出することに焦点を当てている。
2つの目的を達成できる新しい深層畳み込みニューラルネットワークを提案する。
提案するニューラルネットワークの第一の目的は,舗装面の画像に基づいて疲労き裂の存在を分類することである。
第2の目的は、DIM(Distress Identification Manual)標準に基づいて疲労き裂の重症度を分類することである。
本稿では,米国バージニア州ブラックスバーグ町で高解像度舗装面画像4484枚をローカルに撮影するデータバンクを構築した。
データ準備では、4000以上の画像がDIM標準に従って手動で4つのカテゴリにラベル付けされる。
次に、4層畳み込みニューラルネットワークモデルを構築し、舗装き裂重大度カテゴリによる画像の分類の目標を達成する。
訓練されたモデルは、既存のすべての方法の中で最高の精度に達した。
わずか30回の訓練の後、このモデルはひび割れの有無の分類精度96.23%、重度レベルの分類精度96.74%を達成した。
20回の訓練の後、このモデルは97.64%の精度で舗装マークを付けた。
関連論文リスト
- ENSTRECT: A Stage-based Approach to 2.5D Structural Damage Detection [0.0]
ENSTRECTは2.5D構造損傷検出を実現するためのステージベースのアプローチである。
ローカライゼーション耐性は4cmであり、ひび割れの90%以上、腐食の82%、スポーリングの41%のIoUを達成できる。
論文 参考訳（メタデータ） (2024-01-06T20:39:20Z) - BAND-2k: Banding Artifact Noticeable Database for Banding Detection and
Quality Assessment [52.1640725073183]
バンディングは階段のような輪郭としても知られ、圧縮または量子化アルゴリズムによって処理された画像やビデオの平坦な領域で頻繁に発生する。
これまでに2000枚のバンド化画像からなるBanding Artifact Noticeable Database (BAND-2k) という,最大のBanding IQAデータベースを構築した。
デュアル畳み込みニューラルネットワークを用いて、高周波および低周波マップから特徴表現を同時に学習する。
論文 参考訳（メタデータ） (2023-11-29T15:56:31Z) - Convolutional neural networks for crack detection on flexible road
pavements [0.0]
本研究では, ひび割れ検出を目的とした6つの最先端畳み込みニューラルネットワークモデルの比較を行った。
最高記録の精度は98%で、ResNetとVGG16モデルによって達成された。
論文 参考訳（メタデータ） (2023-04-06T08:46:30Z) - Unsupervised crack detection on complex stone masonry surfaces [0.0]
本稿では,石造石垣のき裂検出手法について述べる。
提案手法では, RGB (Red Green Blue) 画像パッチの非教師付き異常検出問題として, き裂検出にアプローチする。
論文 参考訳（メタデータ） (2023-03-31T12:07:23Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。
本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。
提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文 参考訳（メタデータ） (2021-05-01T13:19:02Z) - An Efficient and Scalable Deep Learning Approach for Road Damage
Detection [0.0]
本稿では,画像に基づく苦難データをリアルタイムに分析するためのディープラーニングに基づくサーベイ手法を提案する。
縦ひび割れ,横ひび割れ,アリゲーターひび割れなど,ひび割れの多種多様な種類からなるデータベースを用いる。
提案されたモデルでは、F1スコアは52%から56%まで、平均推測時間は毎秒178-10枚だった。
論文 参考訳（メタデータ） (2020-11-18T23:05:41Z) - Detection Of Concrete Cracks using Dual-channel Deep Convolutional
Network [0.0]
本研究では, 深部畳み込みニューラルネットワーク(CNN)を用いたひび割れ検出手法を提案する。
コンクリートクラックを用いた3200枚のラベル付き画像データベースが作成されており, コントラスト, 照明条件, 方向, ひび割れの重症度は極めて多様であった。
我々は,両チャネル深部CNNを設計し,高い精度(92.25%)と現実的状況におけるコンクリートのひび割れ発見の堅牢性を示した。
論文 参考訳（メタデータ） (2020-09-22T15:17:02Z) - Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。
これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。
非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
論文 参考訳（メタデータ） (2020-08-28T23:05:15Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳（メタデータ） (2020-07-30T19:14:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。