ГРНТИ 50.07 Теоретические основы вычислительной техники
ББК 3297 Вычислительная техника
Вследствие развития потребностей дорожной отрасли в компьютерной обработке высококачественных видеоданных автомобильных дорог возникает необходимость в разработке алгоритма автоматической оценки качества дорожного покрытия. В работе представлен аналитический обзор по теме автоматического детектирования дефектов дорожного покрытия на изображениях. Разработан метод нейросетевого выделения трещин покрытия автомобильных дорог по изображению общего вида сцены, соответствующей виду водителя. Также представлен способ генерации синтетической обучающей выборки и оценена его применимость к данной задаче. Подчеркнута актуальность исследования по сегментации дефектов, что остается сложной задачей из-за неоднородной интенсивности пикселей, сложной топологии трещин, различного освещения и зашумленной текстуры покрытия.
синтетическая выборка, сверточные нейронные сети, пиксельная сегментация, трещины покрытия, автомобильные дороги
1. Cordts M. [и др.]. The Cityscapes Dataset for Semantic Urban Scene Understanding.
2. Danilescu D. [и др.]. Road Anomalies Detection Using Basic Morphological Algorithms // Carpathian Journal of Electronic and Computer Engineering. 2015. № 2(8).C. 15-18.
3. Eisenbach M. [и др.]. How to get pavement distress detection ready for deep learning? A systematic approach IEEE, 2017. 2039-2047 с.
4. Fritsch J., Kuhnl T., Geiger A. A new performance measure and evaluation benchmark for road detection algorithms // IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC. 2013. C. 1693-1700.
5. Gopalakrishnan K. [и др.]. Deep Convolutional Neural Networks with transfer learning for computer vision-based data-driven pavement distress detection // Construction and Building Materials. 2017. (157). C. 322-330.
6. He K. [и др.]. Mask R-CNN.
7. Li H. [и др.]. Automatic Pavement Crack Detection by Multi-Scale Image Fusion // IEEE Transactions on Intelligent Transportation Systems. 2018. C. 1-12.
8. Maeda H. [и др.]. Road Damage Detection and Classification Using Deep Neural Networks with Smartphone Images // Computer-Aided Civil and Infrastructure Engineering. 2018. № 12 (33). C. 1127-1141.
9. Mohan A., Poobal S. Crack detection using image processing: A critical review and analysis // Alexandria Engineering Journal. 2018. № 2 (57). C. 787-798.
10. Oliveira H., Correia P.L. CrackIT - An image processing toolbox for crack detection and characterization // 2014 IEEE International Conference on Image Processing, ICIP. 2014. C. 798-802.
11. Ros G. [и др.]. The SYNTHIA Dataset: A Large Collection of Synthetic Images for Semantic Segmentation of Urban Scenes // IEEE Conference on CVPR, Proceedings, NV. 2016. C. 3234-3243.
12. Salman M. [и др.]. Pavement crack detection using the Gabor filter // IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC. 2013. № October. C. 2039-2044.
13. Shi Y. [и др.]. Automatic Road Crack Detection Using Random Structured Forests // IEEE Transactions on Intelligent Transportation Systems. 2016. № 12 (17). C. 3434-3445.
14. Varadharajan S. [и др.]. Vision for road inspection // 2014 IEEE Winter Conference on Applications of Computer Vision, WACV 2014. 2014. C. 115-122.
15. Yang F. [и др.]. Feature Pyramid and Hierarchical Boosting Network for Pavement Crack Detection 2019. C.1-11.
16. Zendel O. [и др.]. WildDash - Creating Hazard-Aware Benchmarks.
17. Zhang L. [и др.]. Road crack detection using deep convolutional neural network // Proceedings - International Conference on Image Processing, ICIP. 2016. № October 2017 (2016-Augus). C. 3708-3712.
18. Zou Q. [и др.]. CrackTree: Automatic crack detection from pavement images // Pattern Recognition Letters. 2012. № 3 (33). C. 227-238.
19. Судаков С. [и др.]. Алгоритмы детектирования разметки и дефектов дорожного покрытия 2008.
20. Шахуро, В.И. Синтез обучающих выборок для классификации дорожных знаков с помощью нейросетей / В.И. Шахуро, А.С. Конушин // Компьютерная оптика. - 2018. - Т. 42, № 1. - С. 105-112.
