GPU-enabled real-time pavement distress detection based on computer vision and deep learning
- Um die Lebensdauer kommunaler Straßen zu verlängern, müssen Straßenschäden frühzeitig erkannt werden. Die Erkennung erfolgt, jedoch, meistens manuell oder mithilfe von speziell ausgestatteten Fahrzeugen. Dieses Verfahren ist zeit- und kostenaufwändig. In dieser Arbeit wird eine Methodik zur automatisierten Erkennung von Straßenschäden auf Basis von Maschinellen Sehens präsentiert. Fotos der Straßenoberfläche werden in Echtzeit auf Grafikprozessoren (GPU) analysiert, während Fahrzeuge wie PKWs, Busse und Taxis auf ihren üblichen Routen fahren. Mithilfe von Deep Learning werden die Schäden nach Art klassifiziert (Risse, Schlaglöcher, Flickstellen). Die Fotos werden durch den Einsatz eines Global Positioning System Empfängers mit einem Geotag versehen. Zum Testen der Methodik wurden 38 000 Fotos aufgenommen. Der Ansatz erreichte eine Genauigkeit von 93%.
Author: | Kristina DoychevaGND |
---|---|
URN: | urn:nbn:de:hbz:294-75275 |
DOI: | https://doi.org/10.13154/294-7527 |
Referee: | Markus KönigORCiDGND, Christian KochGND |
Document Type: | Doctoral Thesis |
Language: | English |
Date of Publication (online): | 2020/09/21 |
Date of first Publication: | 2020/09/21 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Bau- und Umweltingenieurwissenschaften |
Date of final exam: | 2020/07/20 |
Creating Corporation: | Fakultät für Bau- und Umweltingenieurwissenschaften |
GND-Keyword: | Deep Learning; Grafikprozessor; Straße; Maschinelles Sehen; GPS |
Institutes/Facilities: | Lehrstuhl für Informatik im Bauwesen |
Dewey Decimal Classification: | Technik, Medizin, angewandte Wissenschaften / Ingenieurbau, Umwelttechnik |
faculties: | Fakultät für Bau- und Umweltingenieurwissenschaften |
Licence (German): | Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht |