SISEVIR:从人工巡检到自动化诊断——基于YOLO分割、EfficientNet和视觉-语言模型的秘鲁竖式交通标志自动化诊断系统,服务于国家道路安全管理
《Future Transportation》:SISEVIR: From Manual Inspection to Automated Diagnosis of Vertical Traffic Signs Through YOLO Segmentation, EfficientNet, and Vision–Language Models for National Road Safety Management in Peru
【字体:
大
中
小
】
时间:2026年08月29日
来源:Future Transportation 2.5
编辑推荐:
# 摘要
垂直交通标志的清点与状况评估是道路交通安全管理的一项关键活动,因为这些标志是调节车流和提醒驾驶员注意当前道路状况的主要手段。然而,秘鲁现行的检测流程依赖于现场人员对每个标志进行人工评估,从而限制了检测频率、客观性和可扩展性。本文提出了SISEVIR(道路基础设施垂
# 摘要垂直交通标志的清点与状况评估是道路交通安全管理的一项关键活动,因为这些标志是调节车流和提醒驾驶员注意当前道路状况的主要手段。然而,秘鲁现行的检测流程依赖于现场人员对每个标志进行人工评估,从而限制了检测频率、客观性和可扩展性。本文提出了SISEVIR(道路基础设施垂直交通标志监管系统),一个用于自动化诊断垂直交通标志状况的三阶段深度学习流程。第一阶段采用YOLO26s-seg对31类标志进行实例分割,测试集mAP50达到0.9305(框)和0.9224(掩码)。第二阶段使用EfficientNet-B0将每个检测到的标志分类为七种退化状态,通过五项实验的消融研究进行优化,研究确定渐进式离线数据增强是处理147:1类别不平衡的最有效策略(宏F1 = 0.8252;采用Holm-Bonferroni校正的成对McNemar检验未能确认在族级显著性水平上具有统计学显著性)。第三阶段整合Qwen2-VL-2B-Instruct视觉语言模型,生成与MTC《街道与公路交通控制设施手册》相一致的标志状况自然语言描述。两名独立评估人员对35份描述进行结构化评估,在有效回复中正确率为93.5%(95% CI:79.3–98.2%,Cohen's κ)。该系统在阿亚库乔地区三条路线(总计246.6公里)上收集的专有数据集上进行了训练和验证,包含5935张图像和6412个标注裁剪图像,评估者间信度为κ(95% CI:0.676–0.928)。SISEVIR在NVIDIA RTX 5080 GPU上以30.7 FPS的速度处理车载视频,并为每个标志分配四级状况量表(从"最优"到"危急")中的一个等级,该等级与特定维护干预措施挂钩,与MSV-2016《道路安全手册》规定的人工检测方法相比,显著减少了所需的时间、成本和人力。
生物通微信公众号
生物通新浪微博
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