Zurück Vor

Detailergebnis zu DOK-Nr. 79890

Vergleich verschiedener Deep-Learning-Architekturen als visionsbasierte Multi-Label-Klassifikatoren zur Erkennung mehrerer Schädigungen von Asphaltbefestigungen (Orig. engl.: Comparing different deep learning architectures as vision-based multi-label classifiers for identification of multiple distresses on asphalt pavement)

Autoren	A.C. Espindola M. Rahman S. Mathavan E.F. Nobre Júnior
Sachgebiete	11.1 Berechnung, Bemessung, Lebensdauer 12.1 Asphaltstraßen

Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 5, 2023, S. 24-39, 8 B, 4 T, 38 Q. - Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr

Ein gut erhaltenes Netz der Fernstraßen ist ein wesentliches Element für die Prosperität einer Nation. Deshalb ist die Straßenerhaltung von herausragender Bedeutung. Allerdings sehen sich die zuständigen Verwaltungen einer Restriktion bei den finanziellen Mitteln gegenüber. Die Zustandserfassung ist Voraussetzung für ein effizientes Pavement Management. Dabei spielt die bildbasierte Zustandserkennung zunehmend eine entscheidende Rolle. Sie ermöglicht eine Multi-Label-Klassifikation (MLC) auf der Basis gefalteter neuronaler Netzwerke (CNN). Bei den im Bericht dargestellten Untersuchungen wurden 3 verschiedene CNN-Architekturen zur Erkennung von Rissen, Schlaglöchern und Ausbluten für die MLC-Modelle verwendet. Die dabei vorgenommene Anwendung der visionsbasierten Deep-Learning-Modelle wird erläutert. Für die Verifizierung der Modelle wurden 3 Bilddatensätze aus 6 verschiedenen brasilianischen Staats- und Bundesstraßen herangezogen. Das beste Modell zeigte eine sehr hohe Übereinstimmung mit gemessenen Daten.