在电动摩托车中先进的驾驶辅助集成:道路表面分类,重点是使用深度学习检测石
Ranan Venancio1, Vitor Filipe1,2, Adelaide Cerveira1,2
1School of Science and Engineering, University of Trás-os-Montes and Alto Douro, Vila Real, Portugal.
Frontiers in artificial intelligence
|March 3, 2025
概括
本研究介绍了摩托车安全的深度学习模型,使用摄像头数据来检测道路状况. 在Raspberry Pi上的EfficientNetV2为实时事故预防提供了速度和准确性的最佳平衡.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 道路安全工程 道路安全工程
背景情况:
- 骑摩托车存在固有的风险,先进的传感系统可以减轻这些风险.
- 基于摄像头的道路状况监测对于开发骑手安全工具至关重要.
- 预防事故需要实时决策系统.
研究的目的:
- 开发用于摩托车安全的嵌入式系统 (Raspberry Pi) 的高效深度学习模型.
- 为了比较最先进的卷积神经网络架构的性能,用于道路状况分析.
- 确定一个模型,平衡推断时间和准确性,用于实时评估道路状况.
主要方法:
- 在Raspberry Pi上实施深度学习模型,包括EfficientNet和Inception.
- 使用top-1精度和推理时间指标对模型性能进行评估.
- 用于道路状况监测的选定卷积神经网络架构的比较分析.
主要成果:
- EfficientNetV2展示了性能和计算需求之间的最佳权衡.
- 与其他测试模型相比,EfficientNetV2实现了优越的top-1精度.
- 该模型保持了具有竞争力的推理速度,适合实时应用.
结论:
- EfficientNetV2非常适合在摩托车安全嵌入式系统上实时监测道路状况.
- 开发的模型可以通过实现及时,数据驱动的决策来提高骑手的安全性.
- 这项研究有助于为弱势道路使用者推进智能交通系统.
