Um die Lebensdauer kommunaler Straßen zu verlängern, müssen Straßenschäden frühzeitig erkannt werden. Die Erkennung erfolgt, jedoch, meistens manuell oder mithilfe von speziell ausgestatteten Fahrzeugen. Dieses Verfahren ist zeit- und kostenaufwändig. In dieser Arbeit wird eine Methodik zur automatisierten Erkennung von Straßenschäden auf Basis von Maschinellen Sehens präsentiert. Fotos der Straßenoberfläche werden in Echtzeit auf Grafikprozessoren (GPU) analysiert, während Fahrzeuge wie PKWs, Busse und Taxis auf ihren üblichen Routen fahren. Mithilfe von Deep Learning werden die Schäden nach Art klassifiziert (Risse, Schlaglöcher, Flickstellen). Die Fotos werden durch den Einsatz eines Global Positioning System Empfängers mit einem Geotag versehen. Zum Testen der Methodik wurden 38 000 Fotos aufgenommen. Der Ansatz erreichte eine Genauigkeit von 93%.


    Zugriff

    Download

    Verfügbarkeit in meiner Bibliothek prüfen


    Exportieren, teilen und zitieren



    Titel :

    GPU-enabled real-time pavement distress detection based on computer vision and deep learning


    Beteiligte:

    Erscheinungsdatum :

    2020


    Format / Umfang :

    49796 KB , 79 KB , 130 KB



    Medientyp :

    Sonstige


    Format :

    Elektronische Ressource


    Sprache :

    Englisch




    Deep-Learning-Based Intelligent PotholeEye+ Detection Pavement Distress Detection System

    Gorintla, Shobana / Kumar, B. Anil / Chanadana, B. Sai et al. | IEEE | 2022


    Automated Real-Time Pavement Distress Analysis

    Cheng, H. D. / Jiang, X. / Li, J. et al. | Transportation Research Record | 1999


    Automated Real-Time Pavement Distress Analysis

    Cheng, H.D. | Online Contents | 1999


    Pavement Distress Detection Based on the Staged Deep Learning Classifier Approach

    Dipankar, Amit / Suman, Sanjeev Kumar | Transportation Research Record | 2024


    Real-Time Automated Survey of Pavement Surface Distress

    Wang, K. C. P. / Gong, W. / American Society of Civil Engineers | British Library Conference Proceedings | 2002