通过控制图像生成和半监督学习进行自动道路危险诊断
Yuanyuan Hu1, Ning Chen2, Hancheng Zhang1
1Institute of Highway Engineering, RWTH Aachen University, Aachen, Germany.
Research (Washington, D.C.)
|August 27, 2025
概括
使用人工智能生成图像和半监督学习,创建各种自动注释的道路危险图像. 这种框架大大减少了手工标签,即使数据有限,道路维护也能有效.
科学领域:
- 土木工程
- 计算机科学
- 人工智能
背景情况:
- 由于重复加载和环境因素,道路基础设施的损坏是不可避免的.
- 传统的道路应急检查是昂贵且劳动密集的.
- 基于人工智能的方法需要大量高质量的数据集,这限制了实际应用.
研究的目的:
- 介绍RoadDiffBox,一个基于人工智能的道路应急检测的新框架.
- 通过受控图像生成和半监督学习解决数据集的局限性.
- 减少用于道路危险识别的手动标签工作.
主要方法:
- 采用无声扩散隐性模型来加速图像生成.
- 使用类控制来解决数据集的不平衡.
- 为资源有限的设备实施知识蒸.
- 用自动界限框注释生成多样化,高质量的道路应急图像.
主要成果:
- RoadDiffBox在不同地理区域 (德国,中国,印度) 显示出强大的通用性.
- 达到高性能指标:F1分数为0.95用于分类,mAP@50为0.95和F1分数为0.91用于在受控环境中检测.
- 在现实条件下保持强的性能 (F1得分为0.86,mAP@50为0.91).
- 在服务器级硬件上,图像生成时间低至0.18秒.
结论:
- 提供可扩展和高效的实时道路维护解决方案.
- 该框架有效地克服了小型或不平衡的数据集的局限性.
- 显示了跨领域应用的潜力,包括医学成像.


