Показати скорочену інформацію

Application of computer vision for automatic classification of road pavement defects

dc.contributor.authorПрокопович, Б. Р.uk
dc.contributor.authorРоманюк, О. Н.uk
dc.contributor.authorProkopovych, B. R.en
dc.contributor.authorRomanyuk, O. N.en
dc.date.accessioned2026-09-11T11:58:20Z
dc.date.available2026-09-11T11:58:20Z
dc.date.issued2026
dc.identifier.citationПрокопович 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. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/28014.uk
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/54157
dc.description.abstractТези 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.uk
dc.description.abstractThis 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,en
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofМатеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/28014
dc.subjectкомп’ютерний зірuk
dc.subjectнейронна мережаuk
dc.subjectдефекти дорожнього покриттяuk
dc.subjectглибоке навчанняuk
dc.subjectкласифікація зображеньuk
dc.subjectEfficientDeten
dc.subjectгеоінформаційні системиuk
dc.subjectcomputer visionen
dc.subjectneural networken
dc.subjectroad pavement defectsen
dc.subjectdeep learningen
dc.subjectimage classificationen
dc.subjectgeographic information systemsen
dc.titleApplication of computer vision for automatic classification of road pavement defectsen
dc.typeThesis
dc.identifier.udc[004.932’1:625.089.2](043.2)
dc.relation.referencesWorld Road Association (PIARC). Road Asset Management. PIARC Technical Report. 2019. 124 p.en
dc.relation.referencesMohan A., Poobal S. Crack detection using image processing: A critical review and analysis. Alexandria Engineering Journal. 2018. Vol. 57, No. 2. P. 787–798.en
dc.relation.referencesSimonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv. 2014. arXiv:1409.1556.en
dc.relation.referencesHe K. et al. Deep Residual Learning for Image Recognition. Proceedings of CVPR. 2016. P. 770–778.en
dc.relation.referencesUltralytics. YOLOv8 Documentation. 2023. URL: https://docs.ultralytics.com [Accessed: 18.03.2026].en
dc.relation.referencesTan M., Le Q. V. EfficientDet: Scalable and Efficient Object Detection. Proceedings of CVPR. 2020. P. 10781–10790.en
dc.relation.referencesLiu Y. et al. DeepCrack: A Deep Hierarchical Feature Learning Architecture for Crack Segmentation. Neurocomputing. 2019. Vol. 338. P. 139–153.en
dc.relation.referencesMaeda 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.en
dc.relation.referencesGopalakrishnan 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.en
dc.relation.referencesZhang L. et al. Road crack detection using deep convolutional neural network. Proceedings of ICIP. 2016. P. 3708–3712.en
dc.relation.referencesFan R. et al. Pothole Detection Based on Disparity Transformation and Road Surface Modeling. IEEE Transactions on Image Processing. 2019. Vol. 29. P. 897–908.en
dc.relation.referencesRedmon J., Farhadi A. YOLOv3: An Incremental Improvement. arXiv. 2018. arXiv:1804.02767.en
dc.relation.referencesRonneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. Proceedings of MICCAI. 2015. P. 234–241.en
dc.relation.referencesEisenbach M. et al. How to Get Pavement Distress Detection Ready for Deep Learning? A Systematic Approach. Proceedings of IJCNN. 2017. P. 2039–2047.en
dc.relation.referencesLi B. et al. Automatic Pavement Crack Detection by Multi-Scale Image Fusion. IEEE Transactions on Intelligent Transportation Systems. 2019. Vol. 20, No. 6. P. 2025–2035.en


Файли в цьому документі

Thumbnail
Ім'я:
28014.pdf
Розмір:
256.5Kb
Формат:
PDF
Відкрити

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію