Автоматическое обнаружение и классификация дефектов дорожного покрытия в сетях VANET с помощью периферийного искусственного интеллекта и глубокого обучения
Edge AI-Based Automated Detection and Classification of Road Anomalies in VANET Using Deep Learning
Аннотация
Дефекты дорожного покрытия представляют серьёзную проблему для безопасности и бесперебойности движения. Из-за изменения климата, низкого качества строительных материалов, интенсивного движения и тяжёлых транспортных средств количество дефектов дорожного покрытия быстро растёт. Их необходимо выявлять и устранять, чтобы защитить водителей, пассажиров и транспортные средства от механических повреждений. В настоящее время автономные автомобили активно изучаются: они управляются с помощью бортовых датчиков без участия человека, особенно с появлением методов глубокого обучения (DNN). Сочетание датчиков и методов глубокого обучения может помочь беспилотным автомобилям воспринимать окружающую обстановку и обнаруживать дорожное полотно и препятствия, обеспечивая безопасное движение благодаря применению искусственного интеллекта в транспортных средствах. Одна из главных проблем для автономных автомобилей — избегать опасных дефектов дорожного покрытия, которые могут привести к аварийным ситуациям. Для снижения числа аварий и передачи экстренной информации в рамках интеллектуальной транспортной системы была предложена концепция автомобильной самоорганизующейся сети (VANET), призванной повысить безопасность дорожного движения. Предложен новый механизм, с помощью которого автономные автомобили автоматически выявляют дефекты дорожного покрытия и передают информацию о них следующим транспортным средствам; механизм основан на периферийном искусственном интеллекте и VANET. Съёмка дороги камерой и использование в автомобиле обученной модели для обнаружения дефектов могут способствовать снижению числа аварий и рисков, связанных с плохим состоянием дорожного покрытия. Для автоматического обнаружения и классификации выбоин, неровностей, трещин и ровных участков без дефектов применялись остаточная свёрточная нейронная сеть ResNet-18 и сеть Visual Geometry Group VGG-11; использовался набор данных из различных онлайн-источников. Результаты показали, что применённые модели превосходят другие методы выявления дефектов дорожного покрытия.
Переведем эту статью за 1 час
Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.
Попробовать бесплатно →Также в Подтеме: еженедельные литобзоры, база международных клинреков и конспекты свежих мед. статей и подкастов каждый день.