A new mobile convolutional neural network-based approach for pixel-wise road surface crack detection

DOĞAN, Gürkan; Ergen, Burhan

doi:10.1016/j.measurement.2022.111119

Cited by 39 publications

(9 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Furthermore, with an accuracy above 70%, it has the potential to improve automatic driving technologies, which are beneficial in reducing congestion and accidents. This finding is very important because it provides additional scientific information on the impact received by a car or driver as a result of vibrations [24], [25] caused by changes in the road surface. The confusion matrix and the performance measurements result for KNN Classifier with k value is 2 (see Table 2), and Naïve Bayes Classifier are shown in Table 3.…”

Section: Resultsmentioning

confidence: 87%

Machine Vision for the Various Road Surface Type Classification Based on Texture Feature

Marianingsih¹,

Widodo²,

Pieter³

et al. 2022

JMEST

View full text Add to dashboard Cite

The mechanized ability to specify the way surface type is a piece of key enlightenment for autonomous transportation machine navigation like wheelchairs and smart cars. In the present work, the extracted features from the object are getting based on structure and surface evidence using Gray Level Co-occurrence Matrix (GLCM). Furthermore, K-Nearest Neighbor (K-NN) Classifier was built to classify the road surface image into three classes, asphalt, gravel, and pavement. A comparison of KNN and Naïve Bayes (NB) was used in present study. We have constructed a road image dataset of 450 samples from real-world road images in the asphalt, gravel, and pavement. Experiment result that the classification accuracy using the K-NN classifier is 78%, which is better as compared to Naïve Bayes classifier which has a classification accuracy of 72%. The paving class has the smallest accuracy in both classifier methods. The two classifiers have nearly the same computing time, 3.459 seconds for the KNN Classifier and 3.464 seconds for the Naive Bayes Classifier.

show abstract

Section: Resultsmentioning

confidence: 87%

Machine Vision for the Various Road Surface Type Classification Based on Texture Feature

Marianingsih¹,

Widodo²,

Pieter³

et al. 2022

JMEST

View full text Add to dashboard Cite

show abstract

“…A mobile CNN-based approach for detecting cracks in the road’s surface is proposed by Dogan et al [ 27 ]. The authors introduced a lightweight network based on MobileNetV2 that can be used in mobile devices to detect road cracks.…”

Section: Related Workmentioning

confidence: 99%

Predictive Maintenance of Norwegian Road Network Using Deep Learning Models

Hassan

Steinnes

Gustafsson

et al. 2023

Sensors

View full text Add to dashboard Cite

Industry 4.0 has revolutionized the use of physical and digital systems while playing a vital role in the digitalization of maintenance plans for physical assets in an optimal way. Road network conditions and timely maintenance plans are essential in the predictive maintenance (PdM) of a road. We developed a PdM-based approach that uses pre-trained deep learning models to recognize and detect the road crack types effectively and efficiently. We, in this work, explore the use of deep neural networks to classify roads based on the amount of deterioration. This is done by training the network to identify various types of cracks, corrugation, upheaval, potholes, and other types of road damage. Based on the amount and severity of the damage, we can determine the degradation percentage and have a PdM framework where we can identify the intensity of damage occurrence and, thus, prioritize the maintenance decisions. The inspection authorities and stakeholders can make maintenance decisions for certain types of damages using our deep learning-based road predictive maintenance framework. We evaluated our approach using precision, recall, F1-score, intersection-over-union, structural similarity index, and mean average precision measures, and found that our proposed framework achieved significant performance.

show abstract

“…ve F1-Skoru gibi karmaşıklık matrisinden elde edilen performans metrikleri kullanılmıştır. Bu metriklerin hesaplaması için true positive (TP), true negative (TN), false positive (FP) ve false negative (FN) olmak üzere 4 temel parametreye ihtiyaç duyulmaktadır (Koklu vd., 2022), (Doğan ve Ergen, 2022), (Doğan ve Ergen, 2022). Bu metrikler denklem (1), ( 2), ( 3), ( 4) ve (5)'de formülize edilmiştir.…”

Section: Deneysel Sonuçlarunclassified

Asma Yaprağı Türünün Sınıflandırılması için Doğal ve Sentetik Verilerden Derin Öznitelikler Çıkarma, Birleştirme ve Seçmeye Dayalı Yeni Bir Yöntem

Imak

DOĞAN

Şengür

et al. 2023

International Journal of Pure and Applied Sciences

Self Cite

View full text Add to dashboard Cite

Son yıllarda Türkiye’de zengin mineral, diyet lif ve vitamin içeren asma yapraklarının üretimi ve tüketimi yoğun olarak gerçekleşmektedir. Bununla birlikte hazır gıda sektöründe asma yapraklarından yapılan dolma yemeğine talep, farklı ülkelere ihracat olanaklarını da arttırmaktadır. Bunun gibi ticari tarım faaliyetlerinde sürdürülebilir bir pazarlama için kalite standartlarının oluşturulması önemlidir. Araştırmacılar, akıllı tarım uygulamalarında derin öğrenme ile birlikte olumlu ilerlemeler kaydetmiştir. Bu çalışmada, tüketim için kullanılacak asma yapraklarının türünün tanınması için yeni bir yöntem önerilmektedir. Önerilen yöntemde Ak, Ala Idris, Büzgülü, Dimnit ve Nazli olmak üzere 5 farklı asma yaprak türünden 500 görüntü içeren bir veri seti kullanılmıştır. Bu görüntülerden veri arttırma teknikleri ile 3500 adet görüntü elde edilmiştir. Ayrıca elde edilen görüntülere ESRGAN modeli uygulanarak daha ayrıntılı dokulardan oluşan bir veri kümesi elde edilmiştir. Bu görüntülerden öznitelik çıkarımı yapmak için VGG 19 derin öğrenme modeli kullanılmıştır. Oluşturulan iki ayrı veri setinden elde edilen öznitelikler birleştirilmiştir. Bu şekilde hibrit bir öznitelik çıkarıcı model oluşturulmuştur. PCA algoritması kullanılarak en iyi 175 adet öznitelik alt kümesi seçilmiştir. Son olarak elde edilen özniteliklerin sınıflandırılması için Destek Vektör Makinesi (DVM) kullanılarak %96,14 oranında doğruluk hesaplanmıştır.

show abstract

A new mobile convolutional neural network-based approach for pixel-wise road surface crack detection

Cited by 39 publications

References 33 publications

Machine Vision for the Various Road Surface Type Classification Based on Texture Feature

Machine Vision for the Various Road Surface Type Classification Based on Texture Feature

Predictive Maintenance of Norwegian Road Network Using Deep Learning Models

Asma Yaprağı Türünün Sınıflandırılması için Doğal ve Sentetik Verilerden Derin Öznitelikler Çıkarma, Birleştirme ve Seçmeye Dayalı Yeni Bir Yöntem

Contact Info

Product

Resources

About