.png){kind=icon}
返回
Autonomous Road Defects Segmentation Using Transformer-Based Deep Learning Models With Custom Dataset
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2025.3617336.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
道路表面的坑洼和裂缝构成显著的安全隐患，若不及时处理，将导致车辆维护成本增加和道路使用寿命缩短。这些道路缺陷的自动检测与分割对于高效维护规划和风险缓解至关重要。本文提出了一种针对不同道路表面坑洼和裂缝检测与分割的基于Transformer的分割模型的全面评估。我们介绍了一个专为城市道路设计的定制数据集，可用于基础设施和维护资源有限的中低收入国家。该数据集包含在不同光照、天气和道路条件下拍摄的多样化道路图像。我们比较了各种分割模型在该数据集上的分割精度和鲁棒性。实验结果显示，不同模型架构的性能存在显著差异：大型模型（M12）在边界框上达到最高精度0.621，在掩码上为0.618，而小型模型（M1）则展示了计算效率，精度得分分别为0.491和0.428。所有模型的mAP@50得分范围为0.225至0.314，其中III族变体表现出混合的性能特征。计算基准测试显示，大型模型在NVIDIA RTX A6000硬件上的推理速度为25至35 FPS，轻量级变体为85至120 FPS。结果表明了各种模型的优缺点，为道路维护和安全领域的研究人员及从业者提供了有价值的见解。
Keyword:
Custom dataset
crack detection
deep learning
instance segmentation
pothole detection
road maintenance
segmentation metrics
transformer
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
PREAI
分享收藏Comparative study of logarithmic image processing models for medical image enhancement医学图像增强的几种对数图像处理模型比较研究
PREAI
分享收藏An Experimental-Based Review of Image Enhancement and Image Restoration Methods for Underwater Imaging.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Tackling Road Hazards: Classification and Detection of Crack and Potholes Using Deep Learning
IF0
PREAI
分享收藏
查看更多内容