道路路面病害（裂隙、坑洞）等的检测并不是一项新技术，CV君的母校在近20年前就开发出了我国第一台道路路面智能检测车，这项技术在道路维护管养中可发挥重要作用。
如下图所示，车载相机或智能手机拍摄地面，对其进行分析识别，及时预警需要修补的道路即为该项任务的实际意义。
今天来自美国密苏里大学市政与环境学院的学者发布论文 Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis ，对使用深度学习应用于此领域进行了比较研究。
早期的道路病害检测以传统LBP、Gabor等纹理特征提取为主，往往在实际中表现不佳。近年发展起来的深度学习技术可发挥从数据中学习表征的优势，可提高道路病害的识别精度。
如何进行道路病害检测？作者指出常见的三种方法：
1）图像分类
对不同病害类别或等级的路况图像进行标注，并在采集到的图像中进行重叠式区域划分，进行分类，可以是二类（有无病害）和多类（不同病害级别）。
2）语义分割
对道路病害进行像素级标注，使用U-Net等语义分割方法进行像素级分类。好处是可以刻画病害形态，但标注代价极其大。
3）目标检测
将病害位置标成目标框，在采集的图像中进行目标检测，既可得到位置，也可以得到类别。
作者使用 Global Road Damage Detection Challenge 2020 的数据集，其训练集包括来自日本的10,506张图像，来自捷克的2,829张图像和来自印度的7,706张图像。另有test1测试集含有2631幅图像，test2测试集含有2664幅图像，是近年来出现的该领域大型数据集。
不同道路病害图像示例：
作者在开源代码中使用了YOLOv5、CenterNet、EfficientDet三种目标检测算法，其正确检测的样例：
错误检测的样例：
不同算法在测试集上的精度、召回和F1 分数结果：
可见在作者的实验设置下YOLOv5取得了绝对性优势。
论文地址：
https://arxiv.org/abs/2010.10681
数据集地址：
https://github.com/titanmu/RoadCrackDetection
（数据搬运中，下载有困难的同学可在明日在我爱计算机视觉公众号后台回复“RoadCrack”即可得）
代码地址：
https://github.com/titanmu/RoadCrackDetection
END
备注：目标检测
目标检测交流群
2D、3D目标检测等最新资讯，若已为CV君其他账号好友请直接私信。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
网站:www.52cv.net
在看，让更多人看到