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%.

Download full text files

Export metadata

Metadaten
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):License LogoKeine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht