Chia sẻ bài báo qua Email MÔ HÌNH TOÁN HỌC CHO BÀI TOÁN PHÂN LOẠI CÁC KHUYẾT TẬT MẶT ĐƯỜNG
Thông tin bài báo
Ngày nhận bài: 19/03/22 Ngày hoàn thiện: 24/06/22 Ngày đăng: 04/07/22Các tác giả
1. Phạm Thị Liên
, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên2. Trần Thị Tuyết, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
3. Nguyễn Quang Hiệp, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
4. Nguyễn Thị Dung, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
5. Kiều Tuấn Dũng, Trường Đại học Thủy lợi
6. Nguyễn Thị Phương Dung, Trường Đại học Thủy lợi
Tóm tắt
Hệ thống phân loại và phát hiện khuyết tật mặt đường dựa trên thuật toán máy học vốn đã rất tiên tiến và ngày càng chứng tỏ những ưu điểm vượt trội của mình. Trong bài báo này, một số thuật toán phân đoạn hình ảnh được sử dụng trong thực tế được trình bày, so sánh và đánh giá. Trong nghiên cứu này, chúng tôi trình bày mạng nơ-ron tích chập - cấu trúc VGG16 để phân loại các khuyết tật mặt đường, với phương pháp dựa trên đồ thị để tối ưu hóa việc phân đoạn hình ảnh trên hình ảnh khuyết tật mặt đường. Phương pháp đề xuất này nhằm khắc phục những hạn chế do các yếu tố khách quan gây ra, chẳng hạn như độ nhạy cao đối với dữ liệu của một số loại phụ thuộc vào ánh sáng và tiếng ồn, chẳng hạn như dữ liệu khuyết tật của mặt đường. Ba bộ dữ liệu khác nhau được thu thập từ Trung tâm Viễn thông và Đa phương tiện, INESC TEC - Bồ Đào Nha (1200 hình ảnh), thành phố Irkutsk - Liên bang Nga (800 hình ảnh) và thành phố Thái Nguyên - Việt Nam (550 hình ảnh). Kết quả phân lớp dựa trên các phương pháp VGG-16 của lần lượt các bộ dữ liệu cho thấy kết quả phân loại là tốt vì các đường cong có trạng thái gần giá trị 1 hơn giá trị 0,5.
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1] S. Chambon, “Introduction of a wavelet transform based on 2D matched filter in a Markov random field for fine structure extraction: Application on road crack detection,” Proceedings Image Processing: Machine Vision Applications II, Proc. SPIE, vol. 7251, 2009, doi: 10.1117/12.805437.
[2] C. Ma, C. Zaho, and Y. Hou, “Pavement distress detection based on nonsubsampled contourlet transform,” Proc. IEEE Int. CSSE, 2008, pp. 28-31.
[3] T. Nguyen, M. Avila, and B. Stephane, “Automatic detection and classification of defects on road pavement using anisotropy measure,” Proc.17th EUSIPCO, 2009, pp. 617-621.
[4] H. D. Cheng, “Novel approach to pavement cracking detection based on fuzzy set theory,” Journal of Computing in Civil Engineering, vol. 13, no. 4, pp. 270–280, 1999.
[5] F. Roli, “Measure of texture anisotropy for crack detection on textured surfaces,” Electronics Letters, vol. 32, pp. 1274–1279, 1996.
[6] J. Zhou, P. S. Huang, and F. P. Chiang, “Wavelet-based pavement distress detection and evaluation,” Optical Engineering, vol. 45, 2006, doi: 10.1117/1.2172917.
[7] O. Yashon and M. Hahn, “Wavelet-morphology based detection of incipient linear cracks in asphalt pavements from RGB camera imagery and classification using circular Radon transform,” Advanced Engineering Informatics, vol. 30, pp. 481–499, 2016.
[8] A. Downey, H. Koutsopoulos, and I. El Sanhouri, “Analysis of Segmentation Algorithms for Pavement Distress Images,” Journal of Transportation Engineering, vol. 119, pp. 869 – 888, 1993.
[9] Y. Hu and C. Zhao, “A local binary pattern based method for pavement crack detection,” Journal of Pattern Recognition Research, vol. 1, pp. 140–147, 2013.
[10] M. S. Kaseko and S. G. Ritchie, “A neural network-based methodology for pavement crack detection and classification,” Transportation Research Part C: Emerging Technologies, vol. 1, no. 4, pp. 275–291, 1993.
[11] K. R. Kirschke and S. A. Velinsky, “Histogram based approach for automated pavement crack sensing,” Journal of Transportation Engineering, vol. 118, no. 5, pp. 700–710, 1992.
[12] J. Zhou, P. S. Huang, and F. P. Chiang, “Wavelet-aided pavement distress image processing,” Optical Science and Technology, SPIE’s 48th Annual Meeting, 2003, pp. 728-739.
[13] F. Klugl, A. Bazzan, and S. Ossowski, “Agents in traffic and transportation,” Transp. Res. Part C: Emerg. Technol., vol. 18, pp. 69-70, 2010, doi: 10.1016/j.trc.2009.08.002.
[14] E. Dogan and A. Akgngr, “Forecasting highway casualties under the effect of railway development policy in Turkey using artificial neural networks,” Neural Comput. Appl., vol. 22, pp. 869-877, 2013.
[15] S. Budalakoti, A. Srivastava, and M. Ote, “Anomaly detection and diagnosis algorithms for discrete symbol sequences with applications to airline safety,” IEEE Trans. Syst. Man Cybern. Part C: Appl., vol. 39, pp. 101-113, 2009.
[16] R. Wang, S. Fan, and D. Work, “Efficient multiple model particle filtering for joint traffic state estimation and incident detection,” Transp. Res. Part C: Emerg. Technol., vol. 71, pp. 521-537, 2016.
[17] Y. Lv, Y. Duan, W. Kang, and Z. Li, “Traffic flow prediction with big data: A deep learning approach,” IEEE Trans. Intell. Transp. Syst., vol. 16, pp. 865-873, 2014.
[18] K. Gopalakrishnan, S. Khaitan, and A. Choudhary, “Deep convolutional neural networks with transfer learning for computer vision-based data-driven pavement distress detection,” Constr. Build. Mater, vol. 157, pp. 322-330, 2017.
[19] D. Zhang, Q. Li, Y. Chen, and M. Cao, “An efficient and reliable coarse-to-fine approach for asphalt pavement crack detection,” Image Vis. Comput., vol. 57, pp. 130-146, 2017.
[20] G. Wu, X. Sun, L. Zhou, and H. Zhang, “Research on morphological wavelet operator for crack detection of asphalt pavement,” Proceedings of the 2016 IEEE International Conference on Information and Automation, Ningbo, China, 2016, pp. 1573-1577.
[21] H. Oliveira, J. Caeiro, and P. Correia, “Accelerated unsupervised filtering for the smoothing of road pavement surface imagery,” I4 Proceedings of the 2014 22nd European Signal Processing Conference (EUSIPCO), Lisbon, Portugal, 2016, pp. 2456-2469.
[22] M. R. Schlotjes, M. Burrow, H. Evdorides, and T. Henning, “Using support vector machines to predict the probability of pavement failure,” Proc. Inst. Civ. Eng. Transp., vol. 168, pp. 212-222, 2015.
[23] T. Nguyen, T. L. Nguyen, and A. I. Greglea, “Machine learning algorithms application to road defects,” Intelligent Decision Technologies, vol. 12, pp. 59-66, 2018.
[24] Y. Boykov and V. Kolmogorov, “An experimental comparison of min-cut/max- flow algorithms for energy minimization in vision,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 9, pp. 1124–1137, 2004.
[25] C. Koch and I. Brilakis, “Improving Pothole Recognition through Vision Tracking for Automated Pavement Assessment,” Conference or Workshop Item, 2011, pp. 1-8.
[26] F. M. Nejad and H. Zakeri, “An optimum feature extraction method based on wavelet-Radon transform and dynamic neural network for pavement distress classification,” Expert Syst. Appl., vol. 8, pp. 9442–9460, 2011.
[27] H. N. Koutsopoulos and A. B. Downey, “Primitive-based classification of pavement cracking images,” Journal of Transportation Engineering, vol. 119, pp. 402–418, 1993.
[28] L. Gang, H. Yu-yao, and Z. Yan, “Automatic Recognition Algorithm of Pavement Defect Image Based on OTSU and Maximizing Mutual Information,” Microelectronics Computer, vol. 7, pp. 241–247, 2009.
[29] Fugro, “Automatic Road Analyzer,” 2011. [Online]. Available: http://www. roadware.com/products/9000. [Accessed October 10, 2021]
[30] Dhdv, “WayLink Digital Highway Data Vehicle,” 2011. [Online]. Available: http: //www.waylink. com/DHDV.htm. [Accessed October 10, 2021]
[31] K A. Abaza, S. A. Ashur, and I. A. Al-Khatib, “Integrated Pavement Management System with a Markovian Prediction Model,” Journal of Transp. Eng., vol. 130, no. 1, pp. 24–33, 2004.
[32] Gie, “Technologies Laservision,”, 2011. [Online]. Available: http://www.gieinc.ca/ main_en.html. [Accessed October 10, 2021]
[33] Q. Li, M. Yao, and X. Yao, “A real-time 3D Scanning System for Pavement Distortion Inspection,” Measurement Science and Technology, vol. 21, pp. 1–9, 2010.
[34] A. Makhmalbaf, M. W. Park, and J. Yang, “2D Vision Tracking Methods Performance Comparison for 3D Tracking of Construction Resources,” Proc. of Construction Research Congress., 2010, pp. 459-469.
DOI: https://doi.org/10.34238/tnu-jst.5722
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu