بهبود دقت شناساگرهای خرابیهای جاده با استفاده از داده افزاییهای سنتی و داده افزایی جعبه مرزی اشیاء

تشخیص خودکار خرابی های جاده ها به فرایند تعمیر و نگهداری از آن ها سرعت میبخشد و از تصادفات رانندگی بسیاری جلوگیری می نماید. در این مقاله برای بررسی عملکرد شناساگرهای خرابی جاده با استفاده از yolov5، ده شناساگر در پایگاه داده rdd2020 توسعه داده‌ شد. با شبیه‌سازی شرایط محیطی مانند تابش شدید نور خورشید و سایه بر سطح جاده مشخص گردید شناساگرهای خرابی جاده در این شرایط عملکرد خوبی ندارند. در ادامه با استفاده از تکنیکهای داده افزایی سنتی، استحکام شناساگرهای خرابی جاده در شرایط محیطی مختلف بهبود داده ‌شده است. با استفاده از این تکنیکها یک پایگاه صحت سنجی برای بررسی عملکرد شناساگرها در شرایط محیطی مختلف در پایگاه داده rdd2020 ایجاد گردید. به منظور حل چالش کمبود داده در این پایگاه از تکنیک داده افزایی جعبه مرزی و ترکیب آن با تلفیق پوآسن اصلاح‌شده بهره می بریم. در این روش تعداد نمونههای کلاس پایگاه داده مرجع در کلاس چاله و ترک افقی افزایش یافته است. نتایج این پژوهش نشان میدهد که آموزش شناساگرها با دادههای جدید، موجب بهبود عملکرد آن ها در معیار f1-score و map به ترتیب به میزان 33 و 50 درصد شده است.

improving the accuracy of road damage detectors using traditional augmentations and object bounding box augmentation

automatic detection of road damage, speeds up the process of their maintenance and prevents many traffic accidents. in this research paper, ten road damage detectors were developed in the rdd2020 dataset to check the performance of road damage detectors using yolov5. by simulating environmental conditions such as intense sunlight and the shadow on the road surface it was determined that road damage detectors perform poorly in these conditions. further, by using traditional data augmentation techniques, the robustness of road damage detectors was improved in different environmental conditions. using these techniques, a validation dataset was created to check the performance of detectors in different environmental conditions in the rdd2020 dataset. in order to solve the problem of data scarcity in this dataset, the bounding box augmentation technique and modified poisson blending were combined. in this method, the number of instances of the reference dataset was increased in pothole and horizontal crack class. the results of this research show that training detectors with new data has improved their performance in f1-score and map by 33% and 50%, respectively.