Сегментация дефектов дорожного полотна на основе нейросетевого ансамбля
| Parent link: | Вестник Томского государственного университета. Управление, вычислительная техника и информатика/ Национальный исследовательский Томский государственный университет (ТГУ).— .— Томск: ТГУ № 68.— 2024.— С. 75-58 |
|---|---|
| Autor principal: | |
| Autor Corporativo: | |
| Otros Autores: | |
| Sumario: | Своевременная диагностика качества дорожного покрытия и обнаружение дефектов являются немаловажным этапом обеспечения безопасности на дороге. Цель данной работы - разработка набора данных и нейросетевой модели для сегментации разрушений на изображениях автомобильных дорог. Собран и аннотирован на уровне пикселей набор данных SegmRDD, содержащий 4 420 изображений с дефектами трех классов: «трещины», «сетка трещин», «выбоины». Набор данных сбалансирован и охватывает дорожную обстановку пяти стран, включая Россию. Разработан ансамбль на основе трех независимо обученных нейросетевых моделей YOLOv8, U-Net, Mask R-CNN и оригинального алгоритма объединения результатов, позволяющий получить агрегированный показатель полноты и точности Fi, равный 70%. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов Early monitoring road conditions and defect detection are an important step in ensuring road safety. The work presents a new road damage segmentation dataset SegmRDD. It contains 4420 images with defects of three classes "cracks", "alligator crack", "potholes" well annotated at the pixel level. The dataset is balanced and covers the roads of five countries, including Russia. Developed ensemble model based on three parallel-trained neural network models YOLOv8, U-Net, Mask R-CNN with combining results, and achieved an F1-score of 70% for all defects. Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests Текстовый файл |
| Lenguaje: | ruso |
| Publicado: |
2024
|
| Colección: | Обработка информации |
| Materias: | |
| Acceso en línea: | https://elibrary.ru/item.asp?id=71221046 |
| Formato: | Electrónico Capítulo de libro |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=676884 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 676884 | ||
| 005 | 20241122102918.0 | ||
| 090 | |a 676884 | ||
| 100 | |a 20241122d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i |b e | |
| 182 | 0 | |a b | |
| 183 | 0 | |a cr |2 RDAcarrier | |
| 200 | 1 | |a Сегментация дефектов дорожного полотна на основе нейросетевого ансамбля |d Road damage defects segmentation based on convolutional neural network ensemble |z eng |f Ирина Александровна Канаева, Владимир Григорьевич Спицын | |
| 203 | |a Текст |c электронный |b визуальный | ||
| 225 | 1 | |a Обработка информации | |
| 283 | |a online_resource |2 RDAcarrier | ||
| 320 | |a Список источников: 28 назв. | ||
| 330 | |a Своевременная диагностика качества дорожного покрытия и обнаружение дефектов являются немаловажным этапом обеспечения безопасности на дороге. Цель данной работы - разработка набора данных и нейросетевой модели для сегментации разрушений на изображениях автомобильных дорог. Собран и аннотирован на уровне пикселей набор данных SegmRDD, содержащий 4 420 изображений с дефектами трех классов: «трещины», «сетка трещин», «выбоины». Набор данных сбалансирован и охватывает дорожную обстановку пяти стран, включая Россию. Разработан ансамбль на основе трех независимо обученных нейросетевых моделей YOLOv8, U-Net, Mask R-CNN и оригинального алгоритма объединения результатов, позволяющий получить агрегированный показатель полноты и точности Fi, равный 70%. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов | ||
| 330 | |a Early monitoring road conditions and defect detection are an important step in ensuring road safety. The work presents a new road damage segmentation dataset SegmRDD. It contains 4420 images with defects of three classes "cracks", "alligator crack", "potholes" well annotated at the pixel level. The dataset is balanced and covers the roads of five countries, including Russia. Developed ensemble model based on three parallel-trained neural network models YOLOv8, U-Net, Mask R-CNN with combining results, and achieved an F1-score of 70% for all defects. Contribution of the authors: the authors contributed equally to this article. The authors declare no conflicts of interests | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |t Вестник Томского государственного университета. Управление, вычислительная техника и информатика |f Национальный исследовательский Томский государственный университет (ТГУ) |c Томск |n ТГУ | |
| 463 | 1 | |t № 68 |v С. 75-58 |d 2024 | |
| 610 | 1 | |a семантическая сегментация | |
| 610 | 1 | |a дефекты покрытия | |
| 610 | 1 | |a сверточные нейронные сети | |
| 610 | 1 | |a нейросетевой ансамбль | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 700 | 1 | |a Канаева |b И. А. |g Ирина Александровна | |
| 701 | 1 | |a Спицын |b В. Г. |c специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор технических наук |f 1948- |g Владимир Григорьевич |9 9740 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |c (2009- ) |4 570 |9 26305 |
| 801 | 2 | |a RU |b 63413507 |c 202401122 |g RCR | |
| 856 | 4 | |u https://elibrary.ru/item.asp?id=71221046 |z https://elibrary.ru/item.asp?id=71221046 | |
| 942 | |c CF | ||