文摘

在周期的阶段沥青路面调查,修补和应用补丁的凹坑需要准确地检测到。本研究提出并验证计算机应用方法自动修补的区别和应用补丁的凹坑。使用二维图像、修补和应用补丁的凹坑可能有类似的形状。因此,本研究依赖于图像纹理描述符来描述这两个感兴趣的对象。统计测量的纹理描述符的颜色通道灰度同现矩阵,和当地的三元模式用于从图像中提取纹理信息的样本沥青路面公路。构造一个分类模型的基础上,提取texture-based数据集,本研究提出并验证集成支持向量机的分类(SVC)和(美国联邦调查局)metaheuristic Forensic-Based调查。SVC是用来概括分类边界分割输入数据分为两类标签的修补和应用补丁的凹坑。SVC的性能优化,FBI算法利用SVC hyperparameters微调。建立混合FBI-SVC框架,图像数据集组成的600个样本被收集。支持的实验Wilcoxon符号秩检验表明,该计算机视觉是高度适用于感兴趣的任务分类准确率= 94.833%。

1。介绍

沥青路面公路网络基础设施是一个至关重要的元素在现代社会1- - - - - -4]。所指出的(5),沥青路面公路显著支持社会互动以及经济发展。在世界上许多地区,经济增长与沥青路面网络的扩展。然而,由于这些网络不断扩大在最近几十年,维护成为一个昂贵的和艰巨的任务特别是越南等发展中国家。这是因为发展中国家的金融资源往往是限制和中央政府或地方当局正在努力找到一个平衡的资金用来建造新的公路网络和资金需要恢复现有的恶化。

沥青路面管理不善导致大量的交通事故。根据世卫组织的记录(6),生活由交通事故的人数大约是每年135万。此外,交通事故成本大多数国家国内生产总值(gdp)的3%。特别是在越南,有14.510交通事故情况下,仅2020年一年;这些事故引起的死亡6700人,受伤10840人7]。因此,正确的道路状况调查和及时的维护是至关重要的识别和恢复路面的缺陷。这些可以帮助减少交通事故的数量。

在各种类型的沥青路面压力(如裂缝、坑洞、补丁、剥落,出血,抑郁,等等),坑坑洼洼很容易遇到的,被认为是一种危险的缺陷。凹坑通常观察到像碗状洞造成的路面表面堆焊材料(见图1)。这种类型的缺陷导致道路标高和突然变化造成危险的情况下为驾驶员特别是在恶劣天气条件的情况下(例如,暴雨)。因此,路面坑坑洼洼道路损坏必须很快识别和维护运行平稳恢复表面(5]。


图1
沥青路面表面的凹坑。

修补是常用技术用来处理路面凹坑(参考图2)。路面修补涉及的过程充满坑洞路面材料,如热拌沥青或沥青乳液混合。加强路面恢复任务的效率,时应及时进行修补凹坑是早期形成的。如果不修改,凹坑可以严重的交通事故和人员伤亡的原因特别是摩托车司机。此外,它有利于防止水侵入尽快的路面结构。水入侵一直被视为主要因素加深凹坑或引发其他严重失败在沥青路面表面。这些事实强调周期性路面调查和及时的重要性以及正确的凹坑的识别。


图2
外表修补沥青路面凹坑表面。

在许多发展中国家,路面调查基于人类技术人员和人行道上的手动过程可视化数据处理仍需要和由地方当局或交通管理机构。尽管这些过程可以实现高精度的路面评价、手动过程刻意低效率。此外,大型和扩大网络的沥青路面减缓路面调查过程,及时发现路面祸患不可能的任务。手工过程的另一个问题是,调查的结果是大大影响人类核查人员的主观判断。因此,学者和实践者越来越依赖于自动化的方法来提高生产力和周期性的道路路面调查的客观性。

近年来,由于低成本的数码相机的可用性和快速发展的二维(2 d)数字图像处理技术、计算机视觉已经得到普及,已经被证明是一种可行的沥青路面调查的工具。然而,计算机自动建立坑检测仍然提供了一个具有挑战性的任务由于沥青路面背景的复杂性。路面祸患常与噪声信号共存造成的污渍,不规则的照明条件、交通标志等。

因此,各种计算机应用方法在文献中提出了处理路面坑识别的问题。周et al。8)提出一个替代低速人性化的方法使用一个集成的图像处理系统;本系统主要依赖于离散小波变换对沥青路面遇险分类。比较研究中执行(9)评估几种基于小波多分辨率纹理分析方法,脊波,用于探索洞穴探测和curvelet-based纹理提取器。科赫和Brilakis [10]依靠直方图shape-based阈值加上形态学算子来隔离壶穴形状;作者采用70图像样本用于测试并获得85%的分类精度。

壶穴识别和评估方案基于2 d形状分析,图像比较粗糙,图像阈值技术提出了在11]。Buza et al。12)提出了一个基于图像处理技术的无监督学习方法和谱聚类。Sundra默菲和Varaprasad13)采用直方图分析、边缘检测和轮廓跟踪处理感兴趣的任务。Ryu et al。14]试图改善现有智能交通系统服务的利用2 d图像壶穴检测与分割的图像处理技术,区域提取和形态学滤波。新方法基于语义texton森林使用2 d视频帧提出了在15]。Kamaliardakani et al。16)采用启发式阈值检测密封裂缝损害的方法。模糊c均值聚类算法和形态学重建所利用(17]对沥青路面识别凹坑基于2 d颜色图片。

鼓励通过图像处理技术的成功应用于壶穴检测,最近的作品探索先进的监督机器学习模型的可行性在处理手头的任务。Yousaf et al。5]构造支持向量机(SVM)的训练,一组尺度不变特征变换(筛选)特性识别凹坑的标记图像。基于机器学习的方法使用最小二乘支持向量机和神经网络可操纵的提出了基于过滤器特征提取(18]。Maeda et al。19和曹et al。20.)最近提出深层神经网络方法识别沥青路面缺陷包括凹坑。

总的来说,有一个增长趋势的壶穴应用图像处理和机器学习方法使用2 d数字图像检测。这一趋势在学术社区已经被先前的审查工作21- - - - - -23]。符合这一趋势的研究和积极的道路沥青路面在不同地区可能会表现出不同的铺装功能由于各种因素包括堆焊材料的使用,施工方法,交通负荷,和其他天气/当地条件,有必要研究其他先进的图像处理和机器学习解决方案来处理自动壶穴检测的任务。原因是由于沥青路面公路特点的差异,一种数据驱动的方法可以获得很好的检测精度在一定研究区域,但它可能不会执行图像数据从其他研究地区收集。

更重要的是,它是必要的道路测量系统能够区分应用补丁的凹坑和修补。原因在于,如果补丁对象被正确识别,假阳性的壶穴检测过程可以减少。此外,由于在之前的研究中指出[24- - - - - -26),修补区域被认为是路面缺陷和他们应该与高精度检测。从数据观察1和2,它可以认为使用2 d图像样本,坑洞修补凹坑可以有类似的形状。因此,图像纹理分析用于提取图像区域的粗糙有助于认识他们。纹理描述符(27- - - - - -42)已被证明是高度有用的图像分类在各领域。在这项研究中,高度歧视雇佣当地的三元模式。

此外,基于当前文献,可以看出壶穴检测方法主要依赖于个人的机器学习方法。集成的机器学习和metaheuristic方法很少追究手头的任务。在各个领域,成功利用metaheuristics优化机器学习模型已被证实(43- - - - - -46]。然而,这种混合方案的应用探索洞穴识别仍然是有限的。

因此,当前的研究是试图填补这一差距在文献中提出了一个机器learning-metaheuristic集成处理感兴趣的问题。采用机器学习模型是支持向量机(47因为这个机器学习方法已经被证明是一个高度工具模式识别能力尤其是对沥青路面图像数据(5,48,49]。进一步优化支持向量机的性能模型用于壶穴的任务和修补坑检测,本研究依赖于新提议metaheuristic Forensic-Based调查(美国联邦调查局)[50]。联邦调查局是一种新型metaheuristic出于怀疑investigation-location-pursuit过程被警察和其性能已经被各种证实优化任务。因此,当前工作提出了结合支持向量机和联邦调查局的两种方法建立一个集成的数据驱动模型利用计算机建立pothole-patched壶穴的认可。

这项研究的后续部分组织如下。第二部分回顾了研究方法包括图像纹理分析的方法,计算智能方法,和一组收集图像样本。在下一节中描述的结构提出了联邦调查局的集成优化的支持向量机用于pothole-patched壶穴检测。第四部分实验结果报告。结论本研究乃在最后一节。

2。研究方法

文章的这一部分回顾了采用研究方法包括图像纹理用于特征提取,支持向量机的机器学习方法用于模式识别,FBI metaheuristic用于模型优化和收集到的路面图像数据集。

2.1。图像纹理分析

在图像处理领域,用于视觉感知的纹理是一个至关重要的工具,一直是许多计算机视觉系统的核心。纹理分析是用来表示程度的粗糙或细度的对象在数字图像样本。这种类型的分析已广泛应用于各领域的研究,包括土木工程(51),遥感52),生物医学成像(53),和工业工程54,55]。基于收集到的图像样本,有意义的特征表示图像区域的纹理特性计算和用于对象分类34]。在这项研究中,统计测量的图像像素强度、灰度同现矩阵的属性,和当地的三元模式是利用纹理描述符用于区分凹坑和修补。

2.1.1。统计特性的颜色纹理

给定一个图像样本我在其中有三个颜色通道的红色(R),绿色(G),蓝色(B),一阶直方图P(我)可以计算出每个通道来表示其统计分布(56]。基于一阶直方图计算的三个颜色通道(R, G, B),指标的意思 ,标准偏差 ,的偏态 ,峰度 ,熵 ,和范围 分别计算每个通道。因为每个通道收益率6颜色texture-based指标,提取特征的总数代表颜色纹理的统计特性是6×3 = 18。用于计算的方程6 texture-based指数为每个颜色通道c提出了如下(51]: 在哪里问= 256表示离散的强度值和一个8位图像样本。

2.1.2。应用灰度共生矩阵建立灰度同现矩阵()

GLCM [57,58)是一种有用的图像处理工具用于代表属性的重复发生的某些灰度模式。,第一个是分析RGB图像转换成灰度一(59]。随后,2像素之间的关系在这个灰度图像样本建模使用两个参数:r——距离关系和 - - - - - -旋转的关系。因此,一个矩阵表示 用于表示一个概率的两个灰色的水平我和j对由的关系r和 (60]。基于归一化 表示为 ,角二阶矩的四个指标(AM),对比(有限公司)、相关(CR)和熵(ET)可以计算如下58]: 在哪里 是灰度值的数量。 ,和 边际分布的均值和标准差是相关的吗 (51,57]。

2.1.3。当地的三元模式(LTP)

提出在61年),LTP是一个扩展的定义良好的局部二进制模式(LBP)。枸杞多糖(62年)是一种有效的工具,描述当地的灰色强度模式。该方法考虑当地社区在某些像素和相邻像素阈值基于中央像素的值。因此,当地纹理描述符组成的一个3×3二进制矩阵是用来描述一定区域内的局部灰度强度结构图像样本。

谭和组织61年)建议使用额外的阈值值构建一个三元结构可以更歧视和统一的地区对噪声敏感。因此,LTP纹理描述符是非常适合灰色建模强度的沥青路面道路模式。使用LTP的方法,每个阈值的像素的值在一个局部区域是−1,0或1。因此,LTP的计算分为两个分离矩阵称为低模式和上层模式(见图3)。类似于标准的枸杞多糖,直方图的两个提到的矩阵可以计算和连接建立一个集成的纹理鉴别器。


图3
示范的LTP纹理描述符。

从数学上讲,LTP纹理描述符可以描述如下: 在哪里我c是灰色的中央像素的强度。t= 5表示额外的阈值。u相邻像素的灰度值。

2.2。支持向量机分类(SVC)

SVC,引入的47),是一种强大的监督学习方法用于多变量数据分析尤其是对模式分类。这个机器学习方法训练的模型结构框架通过结构风险最小化方案(63年]。该功能有助于一个SVC模型适应嘈杂的数据样本,以更好地防止过度拟合。给定一组训练数据集 和一个目标函数f: (−1 =“修补坑”和+ 1 =“壶穴”),可以使用支持向量机学习f(x通过构造一个近似函数 。

SVC的整体学习阶段如图4。学习过程的第一步是构建一个函数将原始输入空间中的数据映射到一个高维特征空间。有人指出数值数据的原始输入空间由来自上述纹理描述符。在这种高维特征空间,可以学会作为一个超平面边界决定输入数据划分为两个区域的“壶穴”和“修补壶穴”。确定超平面,应解决以下约束优化问题: 受到 , , 。 和b R表示超平面的参数。 代表松弛变量的向量。 是惩罚系数。 上述非线性数据映射功能。


图4
SVC的示范学习阶段。

SVC机器学习方法的一个明显的优势是,它不需要显式的映射函数形式 。兴趣的点积的数量 表示一个内核函数K(xk,xl)。非线性和多变量数据的分类、常用核函数的径向基核函数(RBKF)如下所示: 在哪里 是一种核函数的调优参数。

2.3。Forensic-Based调查(美国联邦调查局)

正如在前一节中所描述的那样,一个SVC模型的训练阶段需要一个适当的惩罚系数的设置C和RBKF的调优参数σ。这是两个关键的SVC hyperparameters。前者表达处罚实施分类错误的数据样本的数量。后者指定使用内核函数的位置会影响训练的SVC模型的泛化。由于hyperparameter设置的任务可以制定作为一个优化问题,本研究依赖于联邦调查局metaheuristic协助SVC模型的训练阶段。

联邦调查局(50)是一种随机搜索引擎动力的法医调查过程。这个随机搜索引擎的搜索过程模拟的实际操作法医调查包含五个步骤:打开一个案例,解释结果,调查的方向,行动,和起诉64年]。联邦调查局的搜索过程可以分为两个阶段:调查阶段(称为一个阶段)和追求阶段(称为阶段B)。前者是由一组调查人员。后者是由一组警察。这两个阶段是重复之前(即停止条件。满足最大迭代次数)。

在一个阶段,基于当前位置的跟踪记录Xij,一个新的调查位置Xij,新计算如下: 在哪里我,k,h 表示三个调查地点。NS的总数搜索代理。j= 1,2,…D在哪里D是决策变量的数量。r代表一个随机数 。

确定我们应该得到更多的调查,美国联邦调查局(FBI)依赖于概率的质量跟踪收集在一个位置。这个概率值是通过计算 在哪里 表示位置的目标函数值X我。p马克斯和p最小值是目标函数的最大和最小值在当前人口,分别。

基于计算概率与每个可用的位置,更新后的疑似位置是由 在哪里X最好的表示最好的位置。a2位置影响的数量吗XA2,我。αb表示有效性系数从−1比1。rn生成一个随机数均匀在[0,1]。d,e,f,我疑似位置和前三个指标是随机抽取的。

在B阶段,从调查小组接到报告后,每个代理B我移动接近最高的位置相关联的可能性。这个运动提出了如下: 在哪里rn0和rn1随机数生成在[0,1]一致。

随后,每个代理B我交流信息与其他代理来提高搜索的可靠性。因此,新更新的怀疑是由位置 在哪里rn2rn,3rn,4,和rn5随机数生成在[0,1]一致。

2.4。收集到的图像数据集

正如前面提到的,本研究的主要目的是处理数字图像的样本检测修补沥青路面坑槽和应用补丁的凹坑。SVC采用模式识别方法。由于SVC是监督机器学习方法,一组标记图像数据必须准备好火车模型结构。本研究收集了600份沥青路面图像样本内数据样本的数量在每个类(“凹坑”和“修补”)是300。这个样本大小的选择是保证平衡的分类。每个图像样本的标签已经被人类分配人员。收集到的图像样本显示在图5。

(一)
(一)
(b)
(b)
图5
收集图像样本的示范:(a)类标签−1(修补壶穴)和(b)类标签+ 1(应用补丁的壶穴)。

图像数据集已经实地考察期间收集的沥青路面调查岘港市(越南)。采用数码相机是18-megapixel决议还装有佳能EOS M10和英雄9 23.6像素的分辨率。这些照片是手动由人类检查员。相机定位的距离大约1米的路面之上。获得的图像样本在多云天气条件,以确保相对一致的照明条件。

3所示。提出计算机应用Forensic-Based调查Metaheuristic优化机器学习的修补和应用补丁的壶穴检测

本节描述该模型的总体结构用于壶穴的自动检测和修补的隐忧。模型是图像处理技术的集成,基于监督机器学习数据分类和metaheuristic优化。详细的统计度量图像纹理描述符包括颜色通道,GLCM, LTP是用来计算图像样本的数字特征。基于这样的提取功能,SVC与联邦调查局metaheuristic用于推广决策边界分离收集到的数据集分成两个独特的类“修补壶穴”和“壶穴”。联邦调查局是用来协助SVC训练阶段通过优化它的调优参数(惩罚系数和RBKF参数)。该混合模型的总体结构是呈现在图6。


图6
提供基于图像处理Forensic-Based调查提出优化的机器学习的修补和应用补丁的壶穴检测。

模型的操作流程可以分为三个主要步骤:(我)特征提取(2)模型优化(3)模型预测和评估

计算功能模块已经被作者在Visual c#编程。net。此外,联邦调查局优化SVC模块构造在MATLAB环境中提供的内置函数的统计和机器学习工具箱(65年]。联邦调查局的源代码是由(50,66年]。最后预测模型基于图像纹理计算和优化SVC模型,在Visual c# . net编译的援助协议。净框架(67年]。

3.1。特征提取

在这一步中,纹理描述符包括统计测量颜色通道,GLCM和LTP是用来收集图像样本的计算特性。图像颜色的统计特性,包括三个频道(R, G, B),收益率18特性均值、标准差、偏态、峰态,熵和范围。计算GLCM-based纹理,应用灰度共生矩阵建立四个r= 1, = 0o,45岁o,90年o,135o所建议的计算(57]。因为每个矩阵的收益率四个属性点,有限公司CR、等,应用灰度共生矩阵建立功能生成的纹理描述符的数量是4×4 = 16。此外,枸杞多糖功能描述符产生118的特性代表灰度图像样本的局部结构(61年]。根据以前的工作的建议,阈值t枸杞多糖是将5 (61年,68年]。因此,有152个texture-based特征用于分类修补凹坑,凹坑。示威活动的特征提取步骤提供了图7。

(一)
(一)
(b)
(b)
图7
特征提取过程的演示:“修补坑”类的样本和(b)“壶穴”类的一个示例。

随后,提取的数据集被随机分为训练集(70%)和一组测试(30%)。第一组是用于模型构建阶段,第二集是用于检查模型的泛化能力。此外,标准化输入数据范围Z采用分数方程: 在哪里XZ和XD规范化和原始的纹理特性,分别。米X和性病X平均值和标准偏差的纹理特性,分别。

3.2。模型优化

联邦调查局metaheuristic搜索代理的数量为20和100年搜索迭代的最大数量是用来优化支持向量机模型。联邦调查局的目的是找到合适的SVC hyperparameters包括惩罚系数和RBKF参数。这些hyperparameters强烈影响学习和SVC模型的预测能力。不适当的惩罚系数的设置和RBKF参数可能导致一个overfitted或者underfitted模型。因此,联邦调查局优化过程的目的是确定一组hyperparameters,演示了一个良好的训练精度和泛化属性。此外,较低和参数的上界由联邦调查局搜查metaheuristic将0.001和1000年,分别。

为了优化SVC模型,本研究采用5倍cross-validation-based目标函数。这个目标函数是数学描述如下(69年]: 在FNRk和玻璃钢k假阴性率(FNR)和假阳性(玻璃钢)计算的k分别th运行。

FNR和玻璃钢指数计算按照下列方程(69年]: FN, FP、TP、TN表示假阴性、假阳性,真正积极的,和真正的负面数据样本,分别。

3.3。模型预测和评估

在这一步中,支持向量机模型与优化hyperparameters(惩罚系数和RBFK参数)是构建在Visual c#。net框架4.7.2分类数据实例的测试集分为两类“修补壶穴”和“壶穴。此外,它是指出,发达计算机程序上实现了华硕FX705GE-EW165T(酷睿i7 8750 h和8 GB Ram)平台。

评估模型的预测能力,使用一组性能度量指标。使用性能测量指标包括分类准确率(汽车),精度,还记得,阴性预测值(NPV), F1的分数,接受者操作特征曲线下面积(AUC) [70年,71年]。接受者操作特征曲线的建设提供了(71年]。汽车的指数,精度,还记得,NPV,和F1分数按照下列公式计算: 在哪里NC和N一个正确的数量预测数据和数据的总数,分别。正如前面所提到的,FN, FP、TP、TN是假阴性、假阳性,真正积极的,和真正的负面数据样本,分别。

4所示。实验结果和讨论

正如上面提到的,美国联邦调查局(FBI)被用来优化基于svm pothole-patched壶穴检测模型。使用20个搜索代理100次迭代之后,metaheuristic算法找到了最好的惩罚系数= 118.941和RBKF参数= 20.300。最好的成本函数值中描述方程(22)是1.047。联邦调查局算法能够找到最理想的搜索变量的值后41迭代。的搜索进展FIB metaheuristic如图8。它指出,在图8根据方程(计算,模型的性能22),在前一节中所述。


图8
FBI-based优化进展。

如前所述,收集到的数据集,其中包括600个实例被随机分为训练集(70%)和一组测试(30%)。前者是用于模型建设和后者担任的新数据实例验证模型的预测能力。此外,可靠地评估预测性能,本研究又独立20次的模型训练和验证过程。统计测量获得的多个模型训练和验证阶段利用模型评价。这个过程可以有助于减少数据抽样的随机性引起的变化。

此外,为了演示新建模型的优越性,其性能相比其他能力基准模型包括相关向量机(RVM) [72年,73年),随机森林模型(RFM) [74年),分类树模型(CTM) (75年,76年]。区是由提供的源代码73年]。RFM和中医的方法训练与MATLAB统计和机器学习的工具箱(65年]。有人指出网格搜索过程的5倍交叉验证过程(77年)是用来设置基准模型的调优参数。RVM的参数选择基础宽度是0.01。此外,个人决策树用于RFM的数量是50和最小叶大小的参数是1。

模型预测的结果被发表在表1显示的平均值和标准偏差(Std)从测试过程获得的性能度量指标。从这个表中,提出了集成的联邦调查局和SVC(表示FBI-SVC)取得最理想的预测性能的汽车= 94.833%,精度= 0.935,召回= 0.964,净现值= 0.963,F1得分= 0.949。区是第二好的模型车= 90.833%,精度= 0.904,召回= 0.914,净现值= 0.914,和F1得分= 0.909,其次是RFM(车= 89.889%,精度= 0.881,召回= 0.923,净现值= 0.920,和F1得分= 0.901)和中医(车= 85.889%,精度= 0.869,召回= 0.847,净现值= 0.851,和F1得分= 0.857)。模型的比较如图的车9。提出模型和基准方法的结果精度,还记得,NPV, F1分数提供了数据10和11为了缓解视觉比较。

表1
实验结果的比较。

图9
对车的性能比较。

图10
性能比较精密,召回,NPV。

图11
性能比较的F1分数和AUC。

特别是AUC指数FBI-SVC是最好的模型(AUC = 0.989),紧随其后的是数位视讯(AUC = 0.962), RFM (AUC = 0.962)和澳门电讯(AUC = 0.881)。接受者操作特性曲线模型和基准模型用于修补pothole-pothole分类显示在图12。接受者操作特性曲线(ROC)是一个图形化的情节广泛用于诊断分类模型的预测能力。中华民国,AUC是至关重要的指标,因为他们包含重要的预测结果用玻璃钢和TPR在一个阴谋。可以看到从图12的AUC FBI-SVC非常接近1意味着它取得了高度精确的预测结果。此外,箱子的车,F1的分数,AUC提供了数据13- - - - - -15。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图12
FBI-SVC民国的预测模型:(a)、(b)区,(c) RFM和(d)中医。

图13
箱线图的汽车使用机器学习模型中获取的值。

图14
箱线图的F1分数采用机器学习模型中获取的值。

图15
箱线图的AUC值获得使用机器学习模型。

特别是,图14显示模型的性能F1-score而言。这个指数是一个重要的预测准确性和代表性的测量。精度和召回的F1-score结合指数。换句话说,这个性能度量指标是调和平均数的精度和召回。F1-score可能值的范围从0和1;1表示一个完美的分类模型。这个指数的值越高,更好的预测精度。F1-score = 0.989的值从FBI-SVC表示高度能够获得模型用于修补/ nonpatched壶穴检测。此外,根据箱线图如图14,它可以观察到该模型的性能而言,F1-score明显优于基准的方法。

此外,确认提出FBI-SVC的优越性,研究依赖于非参数Wilcoxon符号秩检验(78年)显著水平( 值)= 0.05。汽车的关键指标,F1的分数,AUC的主题是Wilcoxon符号秩检验。成对模型的测试结果被发表在表比较2- - - - - -4,分别。显然,与 值< 0.05,它能够拒绝零假设的模型性能和确认提出FBI-SVC的优越性。

表2
值从Wilcoxon获得符号秩检验结果与汽车指数。
表3
值获得Wilcoxon符号秩与F1评分指数测试结果。
表4
值获得Wilcoxon符号秩和AUC指数测试结果。

尽管FBI-SVC取得最理想的预测性能区分修补凹坑,凹坑。这个模型也犯了几个错误分类,展示图16。检查分类错误的情况下,它是显示,修补区域环绕纠缠,部分是由交通标志会导致错误地预测凹坑(参考数据16(一)和16(b))。此外,不规则的照明条件的情况下和一个坑覆盖一层污垢造成的错误预测修补凹坑如图16(c)和16(d)。这表明应该需要更多的努力处理这些不规则的场景和提高模型预测精度。


图16
插图的分类错误的情况。

5。结束语

沥青路面中发挥非常重要的作用在国家和当地的交通网络。及时的信息关于祸患出现在路面表面是路面管理的关键机构做一个成本效益决定维护方法和进度。获得准确和最新信息的可服务性沥青路面路部分,定期调查需要执行定期和获得的视觉信息调查需要及时处理。加快这种视觉信息处理,本研究提出了一种智能模型自动识别修补凹坑和应用补丁的凹坑。凹坑广泛遇到路面遇险,可能造成严重损害车辆以及人员伤亡。然而,基于二维数字图像、凹坑和修补凹坑可以有类似的形状。因此,本研究提出了采用图像纹理信息来描述这两个对象。

这样的研究动机,本研究依赖于图像纹理描述符颜色的统计信息渠道,GLCM和LTP。这三个纹理描述符是用来提取有用的信息关于粗/细度的图像区域包含修补和应用补丁的凹坑。600沥青路面图像组成的一组图像样本被收集并用于构造texture-based数据集。在这个数据集,数据样本在每个类别的数量是300。使用texture-based数据集,建立一种新的机器学习方法,其中杂交SVC模式分类器和联邦调查局metaheuristic提出了构建决策边界可以交付预测类标签。

实验结果支持的Wilcoxon符号秩检验表明,FBI-SVC模型优于基准的方法。好的分类结果与汽车= 94.833%,精度= 0.935,回忆= 0.964,净现值= 0.963,F1得分= 0.949,AUC = 0.989表明,该FBI-SVC非常适合的任务patched-unpatched壶穴分类。进一步扩展当前的研究工作包括以下几点:(我)FBI-SVC检测应用程序的其他形式的路面祸患(例如,鳄鱼裂缝、剥落、模糊交通标志,等等)。(2)调查其他先进的纹理描述符描述局部结构或模式的图像区域包含路面祸患(3)收集更多的图像样本来提高泛化和当前计算机视觉方法的适用性

数据可用性

数据集用于支持这项研究的结果已经存入的GitHub库https://github.com/ndhoangdtu/patch_unpatchpothole_fbi_svc。152年第一列的数据texture-based特性从图像中提取样本。最后一列是真实的标签数据实例−1 =“修补”和1 =“应用补丁的坑洞”。

的利益冲突

作者确认关于出版没有利益冲突。

确认

这项研究是由越南国家科学技术发展基金会(NAFOSTED)授予数量107.01 - -2019.332。