Detailergebnis zu DOK-Nr. 76052
Bilddatensätze der Fahrbahn: ein neuer Benchmark-Datensatz zur Klassifizierung und Verdichtung von Fahrbahnschädigungen (Orig. engl.: Pavement image datasets: a new benchmark dataset to classify and densify pavement distresses)
| Autoren |
H. Majidifard P. Jin Y. Adu-Gyamfi W.G. Buttlar |
|---|---|
| Sachgebiete |
12.0 Allgemeines, Management 11.1 Berechnung, Bemessung, Lebensdauer |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2674, H. 2, 2020, S. 328-339, 6 B, 4 T, 65 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr
Die automatische Erfassung von Fahrbahnschädigungen mit Bildtechnik gewinnt zunehmend an Bedeutung. Zur Minimierung des Aufwands werden dabei Deep- Learning-Modelle verwendet, die einen großen Datensatz mit "Grundwahrheiten" benötigen. In der im Bericht vorgestellten Untersuchung wird ein Ansatz mit einem "gekennzeichneten“ Datensatz (pavement image dataset PID) vorgestellt, der zu einer robusten und leicht bereitzustellenden Zustandsbewertung führen soll. PID wird mithilfe von "Google API street-view" unter Verwendung von Python-basierter Software erstellt. Als Deep-Learning-Modelle wurden die Rahmenwerke YOLO v2 und Faster R-CNN eingebunden. Zur Bilderfassung und -verarbeitung wurden 2 Gruppen betrachtet: Weitwinkel- und Top-Down-Ansichten. Die Erfassung und Klassifizierung erfolgte für 9 Schädigungstypen: Quer- und Längsrisse jeweils unbehandelt und vergossen, Reflexions-, Block- und Netzrisse, Längsrisse im Fahrstreifen und Schlaglöcher. Zusammenfassend stellen die Autoren fest, dass mit PID ein robuster Ansatz entwickelt wurde.