融合集成深度学习与地理空间AI的自动化道路中心线及路肩提取框架及其应用

《Machine Learning with Applications》:An Ensemble Deep Learning and Geospatial AI Pipeline for Automated Roadway Centerline and Shoulder Delineation

【字体: 大 中 小 】 时间:2026年04月09日 来源:Machine Learning with Applications 4.9

编辑推荐:

  本研究针对预算受限地区道路基础设施数据缺失问题,提出了一种融合集成DeepLabV3与TILE2NET模型的深度学习方法,结合Ball Tree算法与ArcGIS地理处理流程,实现了从航空影像中自动提取高精度道路中心线与路肩,几何准确度超93%,为交通管理提供可扩展解决方案。

  
在美国佛罗里达州的许多乡村县,州交通部门长期面临一个尴尬的现实:尽管拥有全州开放的道路数据库,但基础的路面特征——比如有没有路肩、道路中心线的具体走向——往往没有完整记录。这些数据缺口不仅影响日常养护规划,更在灾害应急响应中成为致命短板:救援车辆可能因缺乏精确路线而延误。传统的人工测绘成本高昂,移动激光扫描对预算有限的地区遥不可及,而众源地图的数据质量参差不齐。面对这一痛点,由Prince Lartey Lawson等人组成的研究团队决定另辟蹊径——能否让机器从现有的航拍照片中“读懂”道路?他们开发了一套融合集成深度学习与地理空间AI的自动化框架,成果发表于《Machine Learning with Applications》。
研究的关键在于解决单一模型的局限性。团队采用“组合拳”策略:训练两个定制DeepLabV3模型分别识别道路区域(DeepLabV3RCD)和车道标记(DeepLabV3LMD),再引入Esri预训练的TILE2NET行人基础设施分类模型互补。随后将预测结果合并为统一道路走廊(Polygon001),利用Ball Tree算法约束连接生成拓扑正确的中心线,最后通过空间擦除运算提取路肩。实验覆盖佛罗里达Walton和Union两个典型乡村县,所有数据均基于州交通部门提供的2019年高分辨率航空影像与权威道路数据,坐标系统一为EPSG:6441。

道路走廊覆盖率提升

评估显示,单个模型在Walton县的覆盖率约70%,集成后提升至72%;Union县从最高71%升至73%。关键的是,两个模型各有约2%-5%的独特检测区域,证明集成策略有效弥补了单一模型在复杂地貌下的盲区。

中心线精度与完整性双优

生成的12英尺缓冲中心线与人工标注真值的交并比(Intersection over Union, IoU)高达95.04%(Walton)和93.38%(Union)。长度完整性方面,Walton县生成中心线占真值长度的86.5%,Union县达88.9%。即使在植被遮挡路段,算法仍能保持连续性,但在复杂交叉口仍存在局部断裂。

路肩提取效果差异显著

Union县表现优异,精确率(Precision)93.39%、召回率(Recall)94.11%,F1-Score达93.73%;Walton县受车道标记缺失和私人车道干扰,F1-Score为77.12%。定性分析揭示:未铺装路面被误判为路肩是假阳性的主因。
这项研究的价值不仅在于技术指标。它证明了低成本航拍数据可通过智能算法转化为高价值基础设施资产库,尤其为资源匮乏地区提供了可复制的模板。未来若能融合LiDAR等多源数据,有望进一步攻克树荫遮挡等难题,让每一段乡村公路都在数字世界中精准“现身”。
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