論文の概要: Intelligent road crack detection and analysis based on improved YOLOv8

• arxiv url: http://arxiv.org/abs/2504.13208v1
• Date: Wed, 16 Apr 2025 04:50:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 21:05:47.248868
• Title: Intelligent road crack detection and analysis based on improved YOLOv8
• Title（参考訳）: 改良型YOLOv8に基づく知的道路亀裂検出と解析
• Authors: Haomin Zuo, Zhengyang Li, Jiangchuan Gong, Zhen Tian,
• Abstract要約: 本稿では,改良型YOLOv8深層学習フレームワークに基づく,インテリジェントな道路亀裂検出・解析システムを提案する。 道路のひび割れ領域を効率よく正確に認識できる4029画像の訓練により,目標セグメンテーションモデルを開発した。 モデルはまた、分割された領域を分析して、クラックの最大および最小の幅とその正確な位置を正確に計算する。
• 参考スコア（独自算出の注目度）: 4.594754659920553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As urbanization speeds up and traffic flow increases, the issue of pavement distress is becoming increasingly pronounced, posing a severe threat to road safety and service life. Traditional methods of pothole detection rely on manual inspection, which is not only inefficient but also costly. This paper proposes an intelligent road crack detection and analysis system, based on the enhanced YOLOv8 deep learning framework. A target segmentation model has been developed through the training of 4029 images, capable of efficiently and accurately recognizing and segmenting crack regions in roads. The model also analyzes the segmented regions to precisely calculate the maximum and minimum widths of cracks and their exact locations. Experimental results indicate that the incorporation of ECA and CBAM attention mechanisms substantially enhances the model's detection accuracy and efficiency, offering a novel solution for road maintenance and safety monitoring.
• Abstract（参考訳）: 都市化が加速し、交通の流れが増すにつれて、舗装難の問題はますます顕著になり、道路の安全とサービス生活に深刻な脅威をもたらしている。 従来のホール検出法は手動検査に頼っているが、これは非効率であるだけでなく、コストもかかる。 本稿では,改良型YOLOv8深層学習フレームワークに基づく,インテリジェントな道路亀裂検出・解析システムを提案する。 道路のひび割れ領域を効率よく正確に認識できる4029画像の訓練により,目標セグメンテーションモデルを開発した。 モデルはまた、分割された領域を分析して、クラックの最大および最小の幅とその正確な位置を正確に計算する。 実験の結果,ECAとCBAMの注意機構が組み込まれたことにより,検出精度と効率が大幅に向上し,道路維持・安全監視のための新しいソリューションが提供されることがわかった。

関連論文リスト

• Auto-RT: Automatic Jailbreak Strategy Exploration for Red-Teaming Large Language Models [62.12822290276912]
  Auto-RTは、複雑な攻撃戦略を探索し最適化する強化学習フレームワークである。 探索効率を大幅に改善し、攻撃戦略を自動的に最適化することにより、Auto-RTはボーダの脆弱性範囲を検出し、検出速度が速く、既存の方法と比較して16.63%高い成功率を達成する。
  論文  参考訳（メタデータ） (2025-01-03T14:30:14Z)
• Research on vehicle detection based on improved YOLOv8 network [0.0]
  本稿では,改良型YOLOv8車両検出手法を提案する。 改良されたモデルは98.3%、89.1%、そして88.4%の精度で車、人、オートバイを検出できる。
  論文  参考訳（メタデータ） (2024-12-31T06:19:26Z)
• Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets [3.378738346115004]
  開発途上国の道路インフラ整備は、資源の制約と多様な環境要因により、独特な課題に直面している。 本研究は, 効率的な, 正確で, 局所的な舗装災害検出法の必要性に対処するものである。 本稿では、YOLO(You Only Look Once)オブジェクト検出モデルと畳み込みブロック注意モジュールを組み合わせた新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-10T23:20:36Z)
• Research on target detection method of distracted driving behavior based on improved YOLOv8 [6.405098280736171]
  本研究では,BOTNetモジュール,GAMアテンション機構,EIoU損失関数を統合することで,従来のYOLOv8モデルに基づく改良されたYOLOv8検出手法を提案する。 実験の結果, 精度は99.4%であり, 検出速度, 精度ともに良好であった。
  論文  参考訳（メタデータ） (2024-07-02T00:43:41Z)
• YOLO9tr: A Lightweight Model for Pavement Damage Detection Utilizing a Generalized Efficient Layer Aggregation Network and Attention Mechanism [0.0]
  本稿では,舗装損傷検出のための軽量物体検出モデルYOLO9trを提案する。 YOLO9trはYOLOv9アーキテクチャに基づいており、機能抽出とアテンション機構を強化する部分的なアテンションブロックを備えている。 このモデルは、最大136FPSのフレームレートを実現し、ビデオ監視や自動検査システムなどのリアルタイムアプリケーションに適合する。
  論文  参考訳（メタデータ） (2024-06-17T06:31:43Z)
• YOLOv8-Based Visual Detection of Road Hazards: Potholes, Sewer Covers, and Manholes [0.0]
  本研究は,道路危険度検出の文脈において,対象物検出モデルであるYOLOv8の総合評価を行う。 従来の YOLOv5 と YOLOv7 の比較分析を行い、様々なアプリケーションにおける計算効率の重要性を強調した。 この研究は、様々なテストシナリオで計算されたmAPスコアを用いて、モデルの堅牢性と一般化能力を評価する。
  論文  参考訳（メタデータ） (2023-10-31T18:33:26Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• Certified Interpretability Robustness for Class Activation Mapping [77.58769591550225]
  本稿では,解釈可能性マップのためのCORGI(Certifiable prOvable Robustness Guarantees)を提案する。 CORGIは入力画像を取り込み、そのCAM解釈可能性マップのロバスト性に対する証明可能な下限を与えるアルゴリズムである。 交通標識データを用いたケーススタディによるCORGIの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-26T18:58:11Z)
• Perspective Aware Road Obstacle Detection [104.57322421897769]
  道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。 画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。 次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-10-04T17:48:42Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)

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。