基于深度学习的自行车道与绿道路面状况自动评级

《AUTOMATION IN CONSTRUCTION》:Automated pavement condition rating for cycle routes and greenways using deep learning

【字体: 大 中 小 】 时间:2026年08月27日 来源:AUTOMATION IN CONSTRUCTION 12.6

编辑推荐:

  研究人员提出了专为自行车基础设施评估定制的自行车路径表面指数(Cycle Route Surface Index,CRSI);从骑行者视角创建了一个包含43,594个标注帧的高质量数据集;Swin Transformer-Tiny在路面表面分类中取得了99.9

  
研究人员提出了专为自行车基础设施评估定制的自行车路径表面指数(Cycle Route Surface Index,CRSI);从骑行者视角创建了一个包含43,594个标注帧的高质量数据集;Swin Transformer-Tiny在路面表面分类中取得了99.9%的测试准确率;开发了一种基于梯度加权类激活映射(Gradient-weighted Class Activation Mapping,Grad-CAM)的Transformer模型可解释性方法;提出了一种可扩展的深度学习框架,用于主动式自行车道维护。
本研究聚焦于自行车道与绿道路面状况的自动化评估问题。传统路面评估指标如路面状况指数(PCI)、路面表面状况指数(PSCI)和路面表面评估等级(PASER)均基于高流量机动车道设计,难以捕捉自行车道特有的表面不规则、植被侵占和排水不畅等安全隐患。现有自动化方法或依赖专用硬件,或缺乏端到端的深度学习框架,无法快速部署于实际骑行环境。为此,研究人员与交通基础设施利益相关者合作,提出了专用于自行车基础设施评估的自行车路径表面指数(CRSI),并基于爱尔兰Sligo、Donegal和Mayo地区152公里自行车道的高清视频,构建了包含43,594个标注帧的Asphalt Greenways Cycling Dataset(AGCDataset)。研究比较了LeNet、AlexNet、EfficientNet-B2和Swin Transformer-Tiny四种深度学习模型,其中Swin Transformer-Tiny以99.9%的测试准确率表现最佳,且通过改进的Grad-CAM方法实现了模型预测的可解释性。相关成果发表于《AUTOMATION IN CONSTRUCTION》,为AI驱动的骑行基础设施评估建立了新基准。

关键技术方法:研究人员使用安装在自行车把上的GoPro相机以4K分辨率、60帧/秒录制视频,并通过校准视角避免隐私泄露;从视频中提取帧,去除背景后统一缩放至720×720像素;采用亮度、对比度、色相调整和水平翻转进行数据增强;由三名经培训的专家依据CRSI准则使用定制CVAT工具进行标注,仅保留三人一致同意的帧,最终得到43,594个样本;使用加权焦点损失处理类别不平衡,采用AdamW优化器和混合精度训练。评估的四种架构中,Swin Transformer-Tiny采用分层移位窗口注意力,兼顾局部与全局特征。

4.1 鲁棒性评估(标准镜头与鱼眼镜头):通过四个新录制视频检验模型泛化能力。在标准镜头下,Swin Transformer-Tiny准确率分别达到94.79%和74.65%;经OpenCV校正的鱼眼镜头视频中,其准确率为91.86%和77.21%,优于多数卷积神经网络,表明分层注意力机制对空间畸变更具韧性。

4.2 模型可解释性(Grad-CAM):利用改进的Grad-CAM生成热图,显示模型聚焦于裂缝、边缘损坏、表面粗糙度和植被过度生长等关键特征。与人工标注的真实病害掩膜相比,平均IoU为0.9750、Dice系数为0.9871,验证了解释区域的可靠性。

4.3 潜在风险和失效模式:模型可能被阴影、污渍、湿斑或薄层泥土误导,且训练数据仅来自爱尔兰特定区域,地理泛化性有待验证。因此,CRSI预测应作为人工检查的辅助工具,而非替代。

4.4 误分类的定性分析:模型偶尔将中等状况(CRSI 3)误判为优秀(CRSI 5),或将优秀表面误判为中等,原因包括表面噪声(如落叶、细微纹理变化)和忽略轻微磨损;未来需增加多样化训练数据并融合振动传感器。

4.5 对城市基础设施维护的未来意义:该框架可提供实时路面数据,帮助市政部门优先安排维修,提升骑行安全和可持续性;Grad-CAM可视化还为政府机构提供了可操作的决策依据。

讨论部分指出,当前CRSI框架仅实现了视觉维度的评估,粗糙度与排水能力仅通过视觉间接估计,数据不平衡和地理局限仍是主要挑战。高一致性标注虽提升了模型性能上界,但实际应用可能因标注模糊性而降低。未来工作将引入软标签、扩展低等级样本,并融合惯性、深度或表面温度传感器。

研究结论:本文开发并验证了基于深度学习的框架,用于自动评估自行车道和绿道路面状况。提出了面向骑行者的CRSI量表,与利益相关者合作设计,关注微表面不规则、植被侵占和排水效率。框架基于从骑行者视角使用GoPro采集的新
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号