Recognition and segmentation of road surface damage using deep learning technology
Khoá luận tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Thi Huyen Tu |
| Người hướng dẫn | Ha Manh Hung |
| Cơ sở đào tạo | Đại học Quốc gia Hà Nội |
| Năm | 2025 |
| Nguồn | Thư viện số Đại học Quốc gia Hà Nội · trang gốc |
Tóm tắt
Surface damage detection and segmentation play a crucial role in road maintenance, directly impacting transportation safety and infrastructure durability. This study focuses on leveraging deep learning technology, specifically the YOLOv11n model, to accurately identify and segment surface defects such as cracks and potholes. The YOLOv11n model, known for its lightweight architecture and high-speed performance, was trained on a carefully annotated dataset, employing data augmentation techniques to enhance robustness. Evaluation metrics such as mAP (mean Average Precision), Precision, Recall, and F1-Score were utilized to assess the model's effectiveness. Experimental results demonstrated that YOLOv11n provides high accuracy and efficiency, making it a viable solution for real-time road condition monitoring. The findings underscore the potential of integrating advanced deep learning models into practical road management systems, paving the way for automated infrastructure inspection and proactive maintenance.
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Hệ thống phần mềm hỗ trợ chẩn đoán và phát hiện sớm bệnh Alzheimer cho người Việt Nam sử dụng trí tuệ nhân tạo
- Ứng dụng kĩ thuật học máy trong dự đoán nguy cơ mắc tiểu đường type 2
- Building E-commerce Website with PERN Stack
- Áp dụng học sâu để dự đoán bệnh ở người sử dụng dữ liệu giải trình tự gen thế hệ mới
- Suivi de personnes en temps réel à l’aide d’une caméra Fisheye par Deep Learning = Theo dõi người theo thời gian thực bằng máy camera Fisheye dựa trên mô hình học sâu
- Ứng dụng phương pháp phân cụm hỗ trợ xác định vai nghĩa trong kho văn bản biểu diễn ngữ nghĩa trừu tượng tiếng Việt
- Nghiên cứu xác định các địa điểm thích hợp xây dựng khu du lịch sinh thái nghỉ dưỡng tại huyện Nho Quan, tỉnh Ninh Bình trên cơ sở ứng dụng GIS và phương pháp phân tích đa chỉ tiêu
- Research and development of facial emotion recognition application based on deep learning
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.