基于多尺度轻量级网络检测道路风险来源
Rong Pang1,2,3, Jiacheng Ning4, Yan Yang1
1School of Computing and Artificial Intelligence, Southwest Jiaotong University, Chengdu 611756, China.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
本研究介绍了一种新型的自动化多尺度轻量级网络 (MSLN),用于高效地检测道路风险,提高安全. 该MSLN模型显著提高了道路表面,坑洞和分散物体的检测速度和准确性.
科学领域:
- 计算机视觉 计算机视觉
- 道路安全工程 道路安全工程
- 机器学习 机器学习
背景情况:
- 手动检测道路风险是低效的,耗时的.
- 自动检测系统对于提高道路安全至关重要.
- 现有的双阶段网络模型在培训时间和部署方面面临挑战.
研究的目的:
- 开发一种新的自动化方法来检测道路风险来源.
- 提高道路风险识别的效率和准确性.
- 为了能够精确地测量检测到的道路风险.
主要方法:
- 开发了一个使用MobileNetV2进行特征提取的多规模轻量级网络 (MSLN).
- 应用图像预处理技术,包括灰度转换,中位数过和自适应直方图等级.
- 整合转移学习以优化培训效率.
- 建立了一个世界到像素坐标系统映射,用于维度计算.
主要成果:
- 与传统方法相比,MSLN模型显示了更快的收率.
- 在检测道路表面,坑洞和分散物体方面取得了更高的精度.
- 坐标转换模型准确计算了检测到的道路风险的尺寸.
结论:
- MSLN为道路风险检测提供了一个高效和准确的自动化解决方案.
- 拟议的方法解决了现有的两阶段模型的局限性,改善了培训和部署.
- 这种方法有助于通过智能检测提高道路运行安全.
