Đánh giá hiệu quả của Faster R-CNN cho bài toán phát hiện và phân loại hư hỏng đường bộ

Bài viết Đánh giá hiệu quả của Faster R-CNN cho bài toán phát hiện và phân loại hư hỏng đường bộ trình bày đánh giá hiệu quả của Faster R-CNN cho bài toán phát hiện và phân loại hư hỏng đường bộ dựa vào ảnh.
Nội dung trích xuất từ tài liệu:
Đánh giá hiệu quả của Faster R-CNN cho bài toán phát hiện và phân loại hư hỏng đường bộTuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-8 ĐÁNH GIÁ HIỆU QUẢ CỦA FASTER R-CNN CHO BÀI TOÁN PHÁT HIỆN VÀ PHÂN LOẠI HƯ HỎNG ĐƯỜNG BỘ Phạm Trí Công Bộ môn HTTT, Khoa CNTT, Trường Đại học Thủy lợi, email: phtcong@tlu.edu.vn1. GIỚI THIỆU phát hiện và phân loại hư hỏng đường bộ dựa vào ảnh. Hư hỏng đường bộ là những hư hỏng củađường giao thông như vết nứt dọc, nứt hình da 2. PHƯƠNG PHÁP NGHIÊN CỨUcá sấu, ổ gà. Những hư hỏng này gây cản trởtrong việc lưu thông của các phương tiện giao Phương pháp phát hiện đối tượng dựa trênthông, nguy hiểm hơn là gây ra tai nạn giao nền tảng CNN ban đầu được đề xuất bởithông đặc biệt là với hư hỏng nghiêm trọng Girshick và cộng sự [4] năm 2014 với tên gọinhư ổ gà. Do đó cần bảo trì đường bộ khi có là R-CNN (Region-based Convolutionalhư hỏng xảy ra, và đây nhiệm vụ quan trọng Neural Network), sau đó được chính tác nàycủa chính quyền địa phương, của mỗi quốc cải tiến năm 2015 với giải pháp Fast R-CNNgia. Việc sửa chữa sớm nhất có thể khi hư [5]. Cả hai thuật toán trên (R-CNN & Fast R-hỏng xảy ra sẽ giúp giảm cản trở và tai nạn CNN) đều sử dụng tìm kiếm chọn lọc để tìm ragiao thông. Để làm được việc này, cần có một các vùng đề xuất. Tìm kiếm chọn lọc là mộthệ thống tự động phát hiện, đánh giá tình trạng quá trình chậm và tốn thời gian ảnh hưởng đếnđường và xác định hư hỏng của mặt đường với hiệu suất của mạng. Do đó, Shaoqing Ren vàgiá thành thấp và trong thời gian ngắn. cộng sự [3] đã đưa ra một thuật toán phát hiện Cuộc thi IEEE BigData Cup, được đề xuất đối tượng loại bỏ thuật toán tìm kiếm chọn lọcbởi Maeda và cộng sự [1] năm 2018 nhằm tìm và cho phép mạng học các vùng đề xuất. Hìnhkiếm các thuật toán phát hiện hư hỏng đường 1 mô tả kiến trúc của Faster R-CNN.bộ tự động, chính xác và nhanh trong thế giớithực, đã đề xuất bộ dữ liệu lớn ảnh hư hỏngđường bộ. Dữ liệu này giúp các nhà nghiên cứuđề xuất các giải thuật sử dụng trí tuệ nhân tạođể phát hiện và phân loại hư hỏng đường bộ. Với sự xuất hiện của các mạng tích chậpsâu (CNN), nhiều thuật toán phát hiện đốitượng dựa trên CNN đang càng ngày được ápdụng trong nhiều lĩnh vực với kết quả chính Hình 1. Kiến trúc Faster R-CNNxác cao. Do đó, việc nghiên cứu về áp dụng Tương tự như Fast R-CNN, hình ảnh đượcCNN vào phát hiện đối tượng trong những cung cấp làm đầu vào cho mạng CNN đểbài toán thực tế là vấn đề thiết thực. Trong trích chọn đặc trưng. Sau đó, thay vì sử dụngđó mô hình Faster R-CNN là một trong thuật toán tìm kiếm chọn lọc dựa trên các đặcnhững giải pháp phát hiện đối tượng trong trưng này để xác định vùng đề xuất, mộtảnh có hiệu quả tốt hiện nay. Mô hình này rất mạng riêng được sử dụng để dự đoán cácthích hợp áp dụng cho bài toán phát hiện và vùng đề xuất. Các vùng đề xuất sau đó đượcphân loại hư hỏng đường bộ [1], [2]. định hình lại bằng cách sử dụng RoI, sau đó Trong nghiên cứu này, tác giả đánh giá được sử dụng để phân loại và dự đoán cáchiệu quả của Faster R-CNN [3] cho bài toán thông số của đối tượng. 90 Tuyển tập Hội nghị Khoa học thường niên năm 2020. ISBN: 978-604-82-3869-83. CHI TIẾT THỰC NGHIỆM Sau khi xác định các thông số chi tiết và xây dụng kiến trúc mạng này, tác giả huấn 3.1. Bộ dữ liệu luyện mạng trên nền tảng colab của google Tập dữ liệu về hư hỏng đường bộ [1] được bằng tài khoản miễn phí.sử dụng trong nghiên cứu này là ảnh chụpđường bộ của bảy khu vực thuộc Nhật Bản 4. KẾT QUẢ THỰC NGHIỆMbằng điện thoại thông minh. Bộ dữ liệu nàycó tám loại hư hỏng gồm: Nứt dọc (D00), Dữ liệu được lấy 20% (1.810 ảnh) choNứt dọc do cấu trúc xây dựng (D01), Nứt việc test, còn lại 80% (7.243 ảnh) được chiangang (D10), Nứt ngang do cấu trúc xây thành hai phần, 90% là tập train gồm 6.518dựng (D11), Nứt cá sấu một phần đường hình ảnh, còn lại 10% gồm 725 hình ảnhhoặc cả phần đường (D20), Ổ gà (D40), Mờ được dùng để validation mạng sau mỗi lầnvạch kẻ đường trắng (D43), và Mờ vạch qua huấn luyện và lựa chọn model tốt nhất.đường của người đi bộ (D44). Thông tin chi 4.1. Thông số đánh giátiết được mô tả ở bảng 1. ...