EGY_PDD: a comprehensive multi-sensor benchmark dataset for accurate pavement distress detection and classification
Notice bibliographique
Résumé
Abstract Automated detection of pavement distresses using road images remains a research hotspot within the computer vision community. The advent of deep learning has sparked significant interest in enhancing the effectiveness of automated identification and assessment of pavement distresses. Yet, the limited availability of comprehensive ground truth datasets for pavement distresses poses a prominent challenge for training deep learning models. To address this issue, this study introduces the Egyptian Pavement Distress Dataset (EGY_PDD), a publicly available dataset that comprises images of various types of pavement distress, such as cracks, potholes, and rutting, collected from different regions in Egypt. The dataset is annotated with labels that indicate the type of the pavement distress in each image, making it suitable for training and evaluating machine learning models designated for automatic pavement distress detection and classification. The EGY_PDD dataset has some unique features, such as its focus on pavement distress problems commonly found in Egypt and the MENA (Middle East and North Africa) region, which experiences distinct pavement challenges due to specific geographical, climatic, and socioeconomic factors. EGY_PDD aims to create a comprehensive dataset that enables the development of more robust and easily deployable pavement condition assessment systems. The dataset includes annotated 2D images and 3D road scenes captured for the same pavement segments. Both 2D and 3D images are employed for distress detection and classification using deep learning frameworks. While 2D images contribute to these tasks, 3D images provide more precise classification of distress severity and more accurate calculations of density. These enhanced measurements from 3D images are crucial for the automated computation of pavement ratings or the Pavement Condition Index (PCI). The dataset, consisting of 14,612 meticulously annotated 2D images categorized into eleven distinct types of distresses, was evaluated using two iterations of the widely adopted deep learning framework, You Only Look Once (YOLO). The models, trained for no more than 300 epochs, achieved mAP50 and mAP50-95 scores of 0.617 and 0.293, respectively, demonstrating their adequate performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».