Deep learning for fault detection of guardrails

Abstract

Mennesker er uendelig flinke til å trekke ut informasjon fra bilder i kompleks natur å finne og klassifisere et objekt. I løpet av de siste årene har algoritmer og metoder blitt presentert for å gjøre det samme. Avanserte algoritmer brukes til komplekse oppgaver, kjent i områder relatert til selvkjørende biler, sporing, klassifisering, osv. Feltet i maskinlæring, kalt datamaskinvisjon, går ut for å trekke ut den enorme informasjonen som finnes i bilder. De eksponentielle fremskritt i antall dataenheter i GPU-er (Graphical Computing Units), har gjort det mulig å lage algoritmer som var utenkelige for et tiår siden uten superdatamaskiner. De siste årene har det vært en økning i nevralt nettverk for å løse en rekke oppgaver, der Convolutional Neural Network er kjent for sin ytelse på bildebehandling. Også ressurssterke IT-selskaper og forskningsfakulteter som har fordelen med tilgjengelig regnekraft, har bidratt med avanserte, skreddersydde CNN-modeller for en rekke datasynoppgaver. Denne oppgaven undersøkte de nyeste CNN-modellene for å hjelpe fagarbeidere i å opprettholde rekkverk over hele Norge ved å automatisere den visuelle inspeksjonen som blir utført av disse arbeiderne. Dagens visuelle inspeksjon gjøres ved å kjøre bil i hastigheter mellom 1-15 km / t og utføre visuell inspeksjon gjennom kameraet eller bilvindu for å oppdage feilene. Dette arbeidet tar sikte på å implementere en topp moderne arkitektur, som velges ved å evaluere en rekke arkitekturer i henhold til målene som er satt i oppgaven. Eksperimenteringen ble gjort ved å samle inn data, forbehandle og implementere det nevrale nettverket. Modellen oppnådde en lovende mAP på 71%

Humans are immeasurably good at extracting information from images in complex scenery to detect and classify an object. In recent years, algorithms and methods have been presented to do the same. Advanced algorithms are used for complex tasks, famously in areas related to self-driving cars, tracking, classifying, etc. The field in machine learning called computer vision heads out to extract the vast information present in images. The exponential advances in numbers of computing units in GPUs (Graphical Computing Units), have made it possible to create algorithms that were unimaginable a decade ago without supercomputers. Recent years have seen an increase in neural network for solving a variety of tasks, where the Convolutional Neural Network is known for its performance on image processing. Also, resourceful IT-companies and research faculties having the advantage of available computational power, have contributed with state-of-the-art, costume tailored CNN models for a variety of computer vision tasks. This thesis investigated the state-of-the-art CNN models to aid skilled workers in maintaining guardrails across Norway to automating the visual inspection done by these workers. Today’s visual inspection is done by driving in speeds between 1-15 km/h and performing visual inspection through the camera or the car window to detect the faults. This work sets out to implement a state-of-the-art architecture, which is chosen by evaluating a variety of architectures according to the objectives set by the thesis. The experimentation was done by collecting data, pre-processing, and implementing the neural network. The model achieved a promising mAP of 71%