FlashLightNet:一个端到端的深度学习框架,用于实时检测和分类静态和闪的交通灯状态
Laith Bani Khaled1, Mahfuzur Rahman1, Iffat Ara Ebu1
1Department of Electrical and Computer Engineering, James Worth Bagley College of Engineering, Mississippi State University, Starkville, MS 39762, USA.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
本研究介绍了FlashLightNet,这是一个深度学习框架,用于准确检测和分类交通信号灯,包括闪信号. 它在实时自动驾驶车辆导航和交通管理系统中实现了高性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 准确的交通信号灯检测对于自动驾驶汽车 (AV) 和交通管理至关重要.
- 目前的系统难以实时分类所有交通信号灯状态,包括闪信号.
研究的目的:
- 开发一个新的深度学习框架,FlashLightNet,用于强大的交通信号灯检测和分类.
- 改进常规 (红色,绿色,黄色) 和闪 (闪红色,闪黄色) 交通信号灯状态的实时识别.
主要方法:
- FlashLightNet集成了YOLOv10n用于检测,ResNet-18用于特征提取,以及LSTM用于时间分类.
- 创建了真实世界和模拟的交通信号视频的自定义数据集,捕捉了时空空间动态.
主要成果:
- 对于交通灯检测,YOLOv10n实现了99.2%的平均平均精度 (mAP).
- ResNet-18和LSTM模型在对所有交通信号灯状态 (包括闪信号) 的分类中获得了96%的F1分数.
结论:
- 在具有挑战性的条件下,FlashLightNet在检测和分类交通信号灯状态方面表现出高准确性和稳定性.
- 该框架为AV导航和智能交通管理系统提供了显著的进步.
