Detecção Inteligente de Falhas em Pavimentações Asfálticas com Redes Neurais Convolucionais Regionais
Resumo
Neste artigo foi abordado o problema da inspeção automática de danos em pavimentações como um problema de detecção em Visão Computacional com vistas a colaborar para o desenvolvimento de soluções que apoiem cidades inteligentes na melhoria da qualidade e da segurança no trânsito. Neste sentido considerouse um cenário experimental com dados realísticos oriundos de três países diferentes e quatro configurações para as redes YOLO. Ao comparar os resultados obtidos com a literatura, verificam-se ganhos significativos no tempo de previsão ainda que utilizando um menor número de parâmetros, produzindo um mAP igual a 0,53. Também avaliamos a solução proposta em um estudo de caso com imagens do Brasil, o qual ressaltou diversos desafios práticos a serem levados em conta na ocasião da proposição de modelos automáticos de detecção para o problema em consideração.
Palavras-chave:
Redes Neurais Convolucionais, Pavimentações Asfálticas, YOLO
Referências
Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., Mraz, A., Kashiyama, T., and Sekimoto, Y. (2021a). Deep learning-based road damage detection and classification for multiple countries. Automation in Construction, 132:103935.
Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., Omata, H., Kashiyama, T., and Sekimoto, Y. (2020). Global road damage detection: State-of-the-art solutions. In 2020 IEEE International Conference on Big Data (Big Data), pages 5533–5539. IEEE.
Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., and Sekimoto, Y. (2021b). RDD2020: An annotated image dataset for automatic road damage detection using deep learning. Data in Brief, 36:107133.
Bochkovskiy, A., Wang, C.-Y., and Liao, H.-Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.
Cao, M.-T., Tran, Q.-V., Nguyen, N.-M., and Chang, K.-T. (2020). Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources. Adv. Eng. Inform., 46(101182):101182.
CNT (2018). Confederação Nacional do Transporte (cnt) – conheça os 13 principais defeitos do pavimento das rodovias. Disponível em https://www.cnt.org.br/agencia-cnt/conheca-principais-defeitos-pavimento. Acesso em 19 de maio de 2022.
CNT (2019). Confederação Nacional do Transporte (cnt – piora a qualidade das rodovias brasileiras. Disponível em https://www.cnt.org.br/agencia-cnt/piora-a-qualidade-das-rodovias-brasileiras. Acesso em 19 de maio de 2022.
CNT (2020). Confederação Nacional do Transporte (cnt) – CNT lança painel com dados do transporte rodoviário no Brasil. Disponível em [link]. Acesso em 19 de maio de 2022.
Hegde, V., Trivedi, D., Alfarrarjeh, A., Deepak, A., Ho Kim, S., and Shahabi, C. (2020). Yet another deep learning approach for road damage detection using ensemble learning. In 2020 IEEE International Conference on Big Data (Big Data). IEEE.
Janani, R. P., Renuka, K., Aruna, A., and Lakshmi, N. K. (2021). IoT in smart cities: A contemporary survey. Global Transitions Proceedings. Disponível em https://doi.org/10.1016/j.gltp.2021.08.069. Acesso em 19 de maio de 2022.
Jocher, G., Stoken, A., Borovec, J., NanoCode012, ChristopherSTAN, Changyu, L., Laughing, tkianai, Hogan, A., lorenzomammana, yxNONG, AlexWang1900, Diaconu, L., Marc, wanghaoyang0106, ml5ah, Doug, Ingham, F., Frederik, Guilhen, Hatovix, Poznanski, J., Fang, J., Yu, L., changyu98, Wang, M., Gupta, N., Akhtar, O., PetrDvoracek, and Rai, P. (2020). ultralytics/yolov5: v3.1 Bug Fixes and Performance Improvements. Disponível em https://doi.org/10.5281/zenodo.4154370. Acesso em 19 de maio de 2022.
Maeda, H., Arya, D., Sekimoto, Y., Ghosh, S. K., Toshniwal, D., Seto, T., Kashiyama, T., and Omata, H. (2020). Global road damage detection challenge 2020. IEEE BigData 2020. Disponível em https://rdd2020.sekilab.global/. Acesso em 19 de maio de 2022.
Michelucci, U. (2019). Advanced applied deep learning: convolutional neural networks and object detection. Springer.
Miller, T. R. and Zaloshnja, E. (2009). On a crash course: The dangers and health costs of deficient roadways. Technical Report 01135610. Disponível em [link]. Acesso em 19 de maio de 2022.
ONU (2018). The World’s Cities in 2018, volume 1. Department of Economical and Social Affairs – Population Dynamics. Disponível em https://population.un.org/wup/Publications/. Acesso em 19 de maio de 2022.
Padilla, R., Netto, S. L., and da Silva, E. A. B. (2020). A Survey on Performance Metrics for Object-Detection Algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), pages 237–242, Niterói, Brasil.
Pellicer, S., Santa, G., Bleda, A. L., Maestre, R., Jara, A. J., and Skarmeta, A. G. (2013). A global perspective of smart cities: A survey. In 2013 Seventh International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, pages 439–444. Disponível em https://10.1109/IMIS.2013.79. Acesso em 19 de maio de 2022.
Rateke, T., Justen, K. A., and Von Wangenheim, A. (2019). Road surface classification with images captured from low-cost camera Road Traversing Knowledge (RTK) dataset. Rev. Inform. Teór. Apl., 26(3):50–64.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, Estados Unidos. IEEE.
Staniek, M. (2021). Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities. J. Traffic Transp. Eng. (Engl. Ed.), 8(4):554–567.
Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., Omata, H., Kashiyama, T., and Sekimoto, Y. (2020). Global road damage detection: State-of-the-art solutions. In 2020 IEEE International Conference on Big Data (Big Data), pages 5533–5539. IEEE.
Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., and Sekimoto, Y. (2021b). RDD2020: An annotated image dataset for automatic road damage detection using deep learning. Data in Brief, 36:107133.
Bochkovskiy, A., Wang, C.-Y., and Liao, H.-Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.
Cao, M.-T., Tran, Q.-V., Nguyen, N.-M., and Chang, K.-T. (2020). Survey on performance of deep learning models for detecting road damages using multiple dashcam image resources. Adv. Eng. Inform., 46(101182):101182.
CNT (2018). Confederação Nacional do Transporte (cnt) – conheça os 13 principais defeitos do pavimento das rodovias. Disponível em https://www.cnt.org.br/agencia-cnt/conheca-principais-defeitos-pavimento. Acesso em 19 de maio de 2022.
CNT (2019). Confederação Nacional do Transporte (cnt – piora a qualidade das rodovias brasileiras. Disponível em https://www.cnt.org.br/agencia-cnt/piora-a-qualidade-das-rodovias-brasileiras. Acesso em 19 de maio de 2022.
CNT (2020). Confederação Nacional do Transporte (cnt) – CNT lança painel com dados do transporte rodoviário no Brasil. Disponível em [link]. Acesso em 19 de maio de 2022.
Hegde, V., Trivedi, D., Alfarrarjeh, A., Deepak, A., Ho Kim, S., and Shahabi, C. (2020). Yet another deep learning approach for road damage detection using ensemble learning. In 2020 IEEE International Conference on Big Data (Big Data). IEEE.
Janani, R. P., Renuka, K., Aruna, A., and Lakshmi, N. K. (2021). IoT in smart cities: A contemporary survey. Global Transitions Proceedings. Disponível em https://doi.org/10.1016/j.gltp.2021.08.069. Acesso em 19 de maio de 2022.
Jocher, G., Stoken, A., Borovec, J., NanoCode012, ChristopherSTAN, Changyu, L., Laughing, tkianai, Hogan, A., lorenzomammana, yxNONG, AlexWang1900, Diaconu, L., Marc, wanghaoyang0106, ml5ah, Doug, Ingham, F., Frederik, Guilhen, Hatovix, Poznanski, J., Fang, J., Yu, L., changyu98, Wang, M., Gupta, N., Akhtar, O., PetrDvoracek, and Rai, P. (2020). ultralytics/yolov5: v3.1 Bug Fixes and Performance Improvements. Disponível em https://doi.org/10.5281/zenodo.4154370. Acesso em 19 de maio de 2022.
Maeda, H., Arya, D., Sekimoto, Y., Ghosh, S. K., Toshniwal, D., Seto, T., Kashiyama, T., and Omata, H. (2020). Global road damage detection challenge 2020. IEEE BigData 2020. Disponível em https://rdd2020.sekilab.global/. Acesso em 19 de maio de 2022.
Michelucci, U. (2019). Advanced applied deep learning: convolutional neural networks and object detection. Springer.
Miller, T. R. and Zaloshnja, E. (2009). On a crash course: The dangers and health costs of deficient roadways. Technical Report 01135610. Disponível em [link]. Acesso em 19 de maio de 2022.
ONU (2018). The World’s Cities in 2018, volume 1. Department of Economical and Social Affairs – Population Dynamics. Disponível em https://population.un.org/wup/Publications/. Acesso em 19 de maio de 2022.
Padilla, R., Netto, S. L., and da Silva, E. A. B. (2020). A Survey on Performance Metrics for Object-Detection Algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), pages 237–242, Niterói, Brasil.
Pellicer, S., Santa, G., Bleda, A. L., Maestre, R., Jara, A. J., and Skarmeta, A. G. (2013). A global perspective of smart cities: A survey. In 2013 Seventh International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing, pages 439–444. Disponível em https://10.1109/IMIS.2013.79. Acesso em 19 de maio de 2022.
Rateke, T., Justen, K. A., and Von Wangenheim, A. (2019). Road surface classification with images captured from low-cost camera Road Traversing Knowledge (RTK) dataset. Rev. Inform. Teór. Apl., 26(3):50–64.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, Estados Unidos. IEEE.
Staniek, M. (2021). Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities. J. Traffic Transp. Eng. (Engl. Ed.), 8(4):554–567.
Publicado
31/07/2022
Como Citar
CARVALHO, Rafael Barbosa de; GUEDES, Elloá B.; FIGUEIREDO, Carlos Maurício S..
Detecção Inteligente de Falhas em Pavimentações Asfálticas com Redes Neurais Convolucionais Regionais. In: WORKSHOP BRASILEIRO DE CIDADES INTELIGENTES (WBCI), 3. , 2022, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 119-130.
DOI: https://doi.org/10.5753/wbci.2022.222795.
