Open Access Journal

International Science and Technology Journal

ISSN: 2519-9854 (Online)

ISSN: 2519-9846 (Print)

DOI: www.doi.org/10.62341/ISTJ

A peer-reviewed and open access journal concerned with publishing researches and studies in the field of applied sciences and engineering

Published by

Supervised by

Urban Applications of Deep Learning: Potholes Detection Using YOLOv10 Model in Al-Bayda, Libya

Researcher(s):
  • Galal H. Senussi
  • Radwan A. Hiba
Institution:Faculty Engineering, Omar Al Mukhtar University, Al Bayda-Libya
Field:التقنيات المدنية و الإنشائية و الهندسة المعمارية
Published in:35th volume - October 2024
الملخص
مدينة البيضاء هي مركز إقليمي يضم العديد من القرى الزراعية التي تقع في شمال شرق ليبيا. وقد أدى سوء صيانة الطرق، ووصولها إلى نهاية عمرها الافتراضي، والأحمال المرورية العالية إلى تدهور ملحوظ في حالة طرق المدينة. استخدم هذا البحث بيانات مفتوحة المصدر من Kartaview وOSM (OpenStreetMap) متكاملة مع نموذج اكتشاف الكائنات YOLO (You Only Look Once) لاكتشاف الحفر في شبكة طرق المدينة. لذلك، تهدف هذه الدراسة إلى تحسين سلامة الطرق والكفاءة المتعلقة بالصيانة، باستخدام البيانات الجغرافية المكانية التي تم إنشاؤها بواسطة المتطوعين جنبًا إلى جنب مع أحدث نموذج YOLOv10، لإنشاء طريقة قابلة للتطوير وموثوقة لاكتشاف الحفر. تؤكد النتائج أن تنوع الصور والتعليق الدقيق أمران حاسمان في تدريب النموذج لتحقيق متوسط الدقة المتوسط (mAP) أعلى من 50%. وهذا يحدد أداة فعالة لاكتشاف الحفر والتي قد تكون قابلة للتطوير في سياق إدارة البنية التحتية الحضرية وهي نهج فعال من حيث التكلفة يمكنه ضمان سلامة المرور وإجراءات الصيانة المبكرة مع تقليل التأثير البيئي الناجم عن توقف المركبات................ الكلمات المفتاحية: ..........YOLO، التعلم العميق، اكتشاف الحفر، إدارة البنية التحتية، Kartaview، OpenStreetMap (OSM).
Abstract
The city of Al Bayda is a regional center with many agricultural villages that lie in the northeast of Libya. Poor road maintenance, reaching the end of their service life, and high traffic loads have led to a marked deterioration in the condition of the city's roads. This research used open-source data from Kartaview and OSM (OpenStreetMap) integrated with YOLO (You Only Look Once) object detection model to detect potholes in the city's road network. Therefore, this study aims on improving road safety and efficiency related to maintenance, using volunteer-generated geospatial data along with the latest YOLOv10 model, to create a scalable and reliable method of pothole detection. Results Confirm image diversity and accurate annotation are crucial in model training to achieve mAP (Mean Average Precision) above 50%. This identifies an effective tool for pothole detection that may be scalable in the context of urban infrastructure management and is a cost-effective approach that can ensure traffic safety and early maintenance actions while reducing the environmental impact of vehicle downtime.................... Keywords: ..........YOLO, Deep Learning, Pothole Detection, Infrastructure Management, Kartaview, OpenStreetMap (OSM).