Datensatz

Road Damage: Berlin, 2020

1. Einführung
Die Hauptidee des Projekts ist es, mit einer Kombination aus künstlicher Intelligenz und Bilderkennung, Straßenschäden in Videos zu erkennen. Jede Rohvideodatei wird mit einer zugehörigen gleichnamigen Geolokalisierungsdatei bereitgestellt. Diese enthält Informationen zu Breiten- und Längengrad, sowie den Zeitstempel in Millisekunden ab Anfang des Videos. Insgesamt wurden 3350 Videos mit einer Gesamtreichweite von 1040 km im Bereich des Berliner S-Bahn-Rings analysiert. Die Ergebnisdatei enthält Breiten- und Längengrad (WGS84, EPSG:4326) der Straßenschäden in 4 Schadenskategorien: ‘Längsriss’, ‘Querriss’, ‘Krokodilriss’ und ‘Schlagloch’.


2. Datensätze

Um die KI-Netzwerke zu trainieren, wurde das “Road Damage Dataset 2020[1]” verwendet. Der Datensatz ist öffentlich zugänglich und kann unter folgendem Link eingesehen werden:
Dataset

3. Methodik und Modelle
Für die Analyse von Videos wurde das Framework TensorFlow[2] verwendet. Ein Modell zur Objektdetektierung [3] wurde mittels Transfer Learning [4] auf die Erkennung von Straßenschäden trainiert. Die Ergebnisse wurden in einem Ergebnis-JSON-Ordner zusammengefasst. Mehrfacherkennungen wurden bereinigt und die endgültigen Orte der Straßenschäden ermittelt.


4. Quelle
[1 ] Road Damage Challenge 2020 Dataset. [Online]. Available at:
https://rdd2020.sekilab.global last accessed on 3 December 2020
[2] Martín A., Paul B., Jianmin C., Zhifeng C., Andy D., Jeffrey D., .... Xiaoqiang Zheng. (2016). “TensorFlow: a system for large-scale machine learning”, in Proceedings of the 12th USENIX conference on Operating Systems Design and Implementation(OSDI'16). USENIX Association, USA, 265–283

[3] Girshick, R., Donahue, J., Darrell, T., Malik, J. (2014). “Rich feature hierarchies for accurate object detection and semantic segmentation”, 2014 IEEE Conference on Computer Vision and Pattern Recognition. doi:10.1109/cvpr.2014.81

[4] Tan, C., Sun, F., Kong, T., Zhang, W., Yang, C. and Liu, C. (2018) “A survey on deep transfer learning”, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11141 LNCS, pp. 270–279. doi: 10.1007/978-3-030-01424-7_27

Distributionen

• JSON road_surface_analysis

  Letzte Änderung:

  -

  Verfügbarkeit:

  -

  Offenheit der Lizenz:

  Freie Nutzung

  Nutzungsbedingungen:

  Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International (CC-BY-SA 4.0)

  URL:

  https://www.mcloud.de/downloads/mcloud/A1E7A819-46F8-4199-A9A7-0DA5EECC4562/road_surface_analysis.json

• JPEG road_surface_analysis.png

  Letzte Änderung:

  -

  Verfügbarkeit:

  -

  Offenheit der Lizenz:

  Freie Nutzung

  Nutzungsbedingungen:

  Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International (CC-BY-SA 4.0)

  URL:

  https://www.mcloud.de/downloads/mcloud/A1E7A819-46F8-4199-A9A7-0DA5EECC4562/road_surface_analysis.png.jpeg

Metadaten

• RDF Link zu den Metadaten im Format RDF/XML

  URL:

  https://www.govdata.de/ckan/dataset/road-damage-berlin-2020.rdf