Pavement Distress Dataset

本研究开发了一个针对发展中国家道路状况的计算机视觉模型，并创建了一个公开可用的、精心标注的数据集。该数据集包含了来自加纳的51公里沥青道路的图像，涵盖了多种道路环境和不同的道路网络。数据集的创建过程包括使用仪表盘摄像头、Google Street View和智能手机进行数据收集，确保了数据的多源性和广泛性。该数据集主要用于训练和验证深度学习模型，以实现对路面损坏（如坑洞、裂缝等）的自动检测和分类，旨在提高发展中国家的道路安全和管理效率。

This study developed a computer vision model tailored for road condition assessment in developing countries, and constructed a publicly available, meticulously annotated dataset. This dataset contains images of 51 kilometers of asphalt roads collected from Ghana, covering various road environments and different road networks. The dataset creation process involved data collection using dashboard cameras, Google Street View and smartphones, ensuring the multi-source nature and broad coverage of the data. This dataset is mainly used for training and validating deep learning models to achieve automatic detection and classification of road surface damages such as potholes and cracks, aiming to improve road safety and management efficiency in developing countries.

搜集汇总

数据集介绍

构建方式

Pavement Distress Dataset 的构建过程首先涉及在发展中国家，特别是加纳，对沥青路面的广泛调查。研究团队收集了51公里的道路数据，涵盖了两个不同的道路网络，一个是在城市和高速公路上，另一个是在科技大学校园内。数据收集使用了多种方法，包括车载摄像头、Google 街景图像和智能手机。车载摄像头以固定速度连续拍摄路面图像，虽然图像质量较低，但为模型提供了处理现实世界场景的能力。Google 街景图像提供了丰富的信息，尽管在放大时图像质量下降。智能手机提供了高质量的图像，并允许从不同角度和距离捕捉图像。为了确保数据质量，所有图像都经过质量检查、去重和裁剪，然后被调整到统一的尺寸，并使用 Roboflow 数据注释平台进行标注。最后，数据集被分为训练集和验证集，比例为 80:20。

特点

Pavement Distress Dataset 的特点是它专为发展中国家设计，能够捕捉到发展中国家特有的道路状况和环境因素。该数据集包含不同类型路面病害的边界框标注，例如坑洼、纵向裂缝、鳄鱼裂缝和剥落。数据集的多样性来自于使用不同设备和数据源，包括车载摄像头、Google 街景图像和智能手机，确保了模型能够适应各种图像质量和现实世界场景。此外，该数据集的公开可用性为研究界提供了宝贵的资源，可以促进发展中国家路面病害检测方法的研究。

使用方法

Pavement Distress Dataset 的使用方法包括将其用于训练和验证深度学习模型，这些模型可以自动检测和分类路面病害。数据集的标注和多样性使其成为训练此类模型的有力工具。此外，研究团队还开发了一个基于该数据集的实时检测和分类路面病害的网页应用程序，该应用程序可以处理图像和视频输入。该应用程序可以通过上传图像或视频流来使用，为基础设施管理人员提供快速评估路面状况的工具，无需昂贵的设备或广泛的培训。

背景与挑战

背景概述

道路基础设施的维护对于任何国家的经济发展和社会福利都至关重要，特别是在发展中国家。由于资源限制和多样化的环境因素，发展中国家的道路基础设施维护面临着独特的挑战。本研究旨在解决这些地区高效、准确和本地相关的路面病害检测方法的关键需求。我们提出了一种结合YOLO（You Only Look Once）目标检测模型和卷积块注意模块（CBAM）的新型深度学习方法，以同时检测和分类多种路面病害类型。该模型在检测和分类坑洼、纵向裂缝、鳄鱼裂缝和剥落方面表现出稳健的性能，置信度分数范围为0.46到0.93。尽管在复杂场景中存在一些误分类，但这些误分类为发展中国家路面评估的独特挑战提供了见解。此外，我们还开发了一个基于网络的实时从图像和视频中检测病害的应用程序。这项研究推进了自动路面病害检测，并为发展中国家提供了一个定制的解决方案，可能有助于提高道路安全、优化维护策略，并为可持续的交通基础设施发展做出贡献。

当前挑战

尽管在自动路面病害检测方面取得了重大进展，但在发展中国家应用这些方法仍然面临独特的挑战。例如，在发达国家数据上训练的模型在应用于发展中国家的道路上时往往表现不佳，这主要是由于施工材料和方法的差异。此外，与发展中国家相比，这些发展中国家在病害分类方面表现出微妙而显著的不同，这归因于气候、交通模式和养护实践的差异。这些观察结果突出了对本地相关数据集的需求。然而，正如Ojenge所指出的，来自发展地区的数据集稀缺，尤其是在非洲。缺乏适当的训练数据限制了现有模型的准确性和适用性。此外，一些研究强调了发展中国家资源限制通常阻碍了某些检测方法所需的先进设备的使用。为了解决这些问题，最近的研究已经探索了成本效益高的解决方案。例如，Maeda等人提出了使用智能手机摄像头收集道路病害图像，而Astor等人研究了无人机调查进行大规模路面检查的潜力。这些方法显示出克服资源限制的潜力。然而，仍然迫切需要针对发展中国家的背景定制的路面病害检测模型，考虑其独特的道路状况、环境因素和资源限制。

常用场景

经典使用场景

Pavement Distress Dataset主要用于发展中国家的道路基础设施维护。该数据集通过结合YOLO和CBAM模型，实现了对路面病害的自动检测和分类，包括坑洞、纵向裂缝、鳄鱼裂缝和剥落等类型。模型在检测和分类方面的置信度得分在0.46到0.93之间。此外，该数据集还开发了一个基于网络的实时病害检测应用程序，能够从图像和视频中实时检测病害。这些特性使得该数据集成为发展中国家道路基础设施维护的重要工具。

衍生相关工作

Pavement Distress Dataset衍生了多项相关工作。例如，一些研究人员将YOLO模型应用于道路病害检测，并取得了良好的效果。此外，一些研究人员还将CBAM模型应用于其他领域的图像识别任务，如人脸识别、目标检测等。这些研究进一步验证了YOLO和CBAM模型在图像识别任务中的有效性和实用性。

数据集最近研究

最新研究方向

本研究提出的深度学习模型，结合了YOLOv5目标检测模型和卷积块注意力模块（CBAM），以同时检测和分类多种路面病害类型。该模型在检测和分类坑洼、纵向裂缝、龟裂和剥落等方面表现出色，置信度评分范围为0.46至0.93。虽然在一些复杂场景中存在一些误分类，但这些情况为发展中国家路面评估的独特挑战提供了宝贵的见解。此外，我们还开发了一个基于网络的实时病害检测应用程序，用于从图像和视频中检测病害。这项研究推动了自动化路面病害检测的进展，并为发展中国家提供了一种量身定制的解决方案，可能提高道路安全，优化维护策略，并为可持续交通基础设施发展做出贡献。

相关研究论文

• Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets

  北达科他州立大学土木、建筑和环境工程系 · 2024年