变压器-CNN混合框架用于路面沟细分
Tianjie Zhang1,2, Zhen Liu3, Bingyan Cui1
1Center for Advanced Infrastructure and Transportation, Rutgers University, Piscataway, NJ 08854, USA.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究介绍了PoFormer,这是一种混合深度学习模型,用于准确检测坑洞. 通过改进自动缺陷细分,PoFormer提高了路面安全性和基础设施维护.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 路面表面缺陷,如沟,构成重大安全风险,并加速基础设施的衰退.
- 自动检测这些缺陷需要先进的传感和深度学习模型.
研究的目的:
- 提出PoFormer,一个变压器-CNN混合框架,用于精确的路面沟细分.
- 评估PoFormer的性能与使用多样化的数据集的最先进模型对比.
主要方法:
- 开发了一个变压器-CNN混合框架 (PoFormer),集成全球和本地特征提取.
- 使用开源图像和来自多传感器检查车辆的高分辨率现场数据创建了一个全面的数据集.
- 采用毫米级分辨率的3D表面成像与红外线/激光辅助照明,用于稳健的数据采集.
主要成果:
- PoFormer实现了77.23%的欧盟 (IoU) 的平均交叉点.
- 该模型获得的平均像素精度为84.48%.
- 与现有的基于CNN的模型相比,PoFormer显示出更高的细分精度.
结论:
- 拟议的PoFormer框架在路面沟细分方面提供了卓越的性能.
- 将多传感器3D成像与混合神经网络集成,可以推进智能路面状况监测.
- 这项技术在自动化基础设施维护和改善道路安全方面具有重大潜力.