一个智能YOLO和CNN-BiGRU框架用于基于道路基础设施的异常评估

科学领域:

• 智能运输系统 智能运输系统
• 在土木工程中的人工智能.
• 基础设施监控的深度学习

背景情况:

• 传统的道路检查方法是低效,危险和耗时的.
• 需要用于智能道路基础设施管理的自动化实时解决方案.
• 深度学习提供了一种改造性的方法来克服这些局限性.

研究的目的:

• 为智能道路基础设施管理开发一种新的实时监控框架.
• 在数字双胞胎 (DT) 环境中集成对象检测 (YOLOv11) 和时间严重性预测 (CNN-BiGRU).
• 为了解决危急的道路状况,如坑洞,裂,模糊的标志,和雪覆盖的表面.

主要方法:

• 使用YOLOv11用于精确的物体检测和CNN-BiGRU用于时间严重性预测.
• 采用数字双胞胎 (DT) 驱动的模拟环境用于基础设施上下文建模.
• 在LiRA-CD数据集 (3万个以上的实例) 上评估了混合系统,以70:15:15的比例分割.
• 在高端硬件 (英特尔i7,NVIDIA RTX 3090) 上具有TensorRT加速的基准性能.

主要成果:

• 在 105 FPS 实现实时推断,每延迟为 9.5 ms.
• 获得的高精度指标:mAP@0.5为96.92%,mAP@[0.5:0.95]为90.74%,AUROC为0.942.
• 在严重性预测方面表现出强大的回归性能 (R2=0.77,AAE=0.31,ASE=0.34),表明了强度.

结论:

• 综合框架为主动道路基础设施监测提供了可扩展和有效的解决方案.
• 这种混合系统通过实时数据驱动分析为智能运输系统设定了新的基准.
• DT,YOLOv11和CNN-BiGRU的组合增强了自适应基础设施管理能力.