.png){kind=icon}
返回
A Practical Image Augmentation Method for Construction Safety Using Object Range Expansion Synthesis
.png){kind=icon}
OA
AI
DOI：10.3390/buildings15091447.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究旨在为危险且数据匮乏的环境（如建筑工地）中的目标识别提出一种实用且现实的合成数据生成方法。在建筑工地等动态领域，人工智能（AI）应用需要领域特定的数据集，但收集真实世界数据可能因安全顾虑、物流限制和高劳动成本而面临挑战。为解决这些局限性，我们引入了目标范围扩展合成（ORES）方法，这是一种轻量级且非生成式的方法，通过将真实目标掩码插入多样化的背景场景（使用公开数据集）来生成合成图像数据。ORES合成新场景，同时保持比例和地面对齐，实现可控且真实的扩充。使用所提出的方法创建了一个包含30,000张合成图像的数据集，并用于训练目标识别模型。当在真实建筑工地图像上测试时，该模型在IoU 0.50下的平均精度均值（mAP50）达到98.74%，召回率为54.55%。尽管召回率表明仍有改进空间，但高精度凸显了合成数据在不需大量实地数据收集的情况下提升模型性能的实用价值。本研究为安全关键且数据匮乏环境中的数据生成提供了一种可扩展的方法，减少了对直接数据采集的依赖，同时保持了模型有效性。它为通过克服数据瓶颈和通过实用的合成增强支持实际应用，加速高风险行业中AI技术的部署奠定了基础。
Keyword:
synthetic data
artificial intelligence performance
machine learning
construction sites
期刊
IF:
3.1
论文数:
1.8W
被引数:
2.5W
机构
暂无机构信息
引用论文
Assessing the Viability of Generative AI-Created Construction Scaffolding for Deep Learning-Based Image Segmentation评估生成式AI创建的施工脚手架在基于深度学习的图像分割中的可行性
.png){kind=icon}
PREAI
分享收藏Automated annotation for visual recognition of construction resources using synthetic images使用合成图像对建筑资源进行视觉识别的自动注释
PREAI
分享收藏分享收藏SODA: A large-scale open site object detection dataset for deep learning in constructionSODA: 用于建筑深度学习的大规模开放站点对象检测数据集
OAAI
OAAI分享收藏
查看更多内容