Application of computer vision for automatic classification of road pavement defects
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
Тези присвячені застосуванню методів комп’ютерного зору та глибокого навчання для автоматичної ідентифікації та класифікації дефектів дорожнього покриття. Розглянуто сучасні архітектури згорткових нейронних мереж, зокрема EfficientDet, YOLOv8 та ResNet, що застосовуються для виявлення ям, тріщин, колійності та інших пошкоджень. Запропоновано конвеєрну архітектуру системи, яка охоплює збір зображень, попередню обробку, детекцію дефектів та інтеграцію результатів із геоінформаційними системами. Наведено порівняльний аналіз точності класифікації для шести типів дефектів та обговорено практичні аспекти впровадження таких систем.
This paper addresses the application of computer vision and deep learning methods for automated identification and classification of road pavement defects. Modern convolutional neural network architectures, including EfficientDet,
This paper addresses the application of computer vision and deep learning methods for automated identification and classification of road pavement defects. Modern convolutional neural network architectures, including EfficientDet,
Опис
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Прокопович Б. Р., Романюк О. Н. Application of computer vision for automatic classification of road pavement defects // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/28014.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (15)
- World Road Association (PIARC). Road Asset Management. PIARC Technical Report. 2019. 124 p.
- Mohan A., Poobal S. Crack detection using image processing: A critical review and analysis. Alexandria Engineering Journal. 2018. Vol. 57, No. 2. P. 787–798.
- Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv. 2014. arXiv:1409.1556.
- He K. et al. Deep Residual Learning for Image Recognition. Proceedings of CVPR. 2016. P. 770–778.
- Ultralytics. YOLOv8 Documentation. 2023. URL: https://docs.ultralytics.com [Accessed: 18.03.2026].
- Tan M., Le Q. V. EfficientDet: Scalable and Efficient Object Detection. Proceedings of CVPR. 2020. P. 10781–10790.
- Liu Y. et al. DeepCrack: A Deep Hierarchical Feature Learning Architecture for Crack Segmentation. Neurocomputing. 2019. Vol. 338. P. 139–153.
- Maeda H. et al. Road Damage Detection and Classification Using Deep Neural Networks with Smartphone Images. ComputerAided Civil and Infrastructure Engineering. 2018. Vol. 33, No. 12. P. 1127–1141.
- Gopalakrishnan K. et al. Deep Convolutional Neural Networks with transfer learning for computer vision-based data-driven pavement distress detection. Construction and Building Materials. 2017. Vol. 157. P. 322–330.
- Zhang L. et al. Road crack detection using deep convolutional neural network. Proceedings of ICIP. 2016. P. 3708–3712.