基于数字孪生的生产型自适应巡航控制非侵入式参数整定：利用真实世界OBD车联网遥测数据的生态驾驶方法

《Applied Sciences》：Digital Twin-Based Non-Invasive Parameter Tuning of Production Adaptive Cruise Control for Eco-Driving Using Real-World OBD Telematics

　　

自动化机场道面巡检需要可靠的实例分割模型，以在真实工况下检测并量化细裂缝。研究人员在既往建立的UAV-AI机场道面裂缝检测与量化工作流以及基于YOLO11的封缝裂缝类定义研究基础上，针对后续研究问题，比较了基于两种根本不同计算机视觉范式的近期模型配置。YOLO26因其面向部署的卷积架构、计算效率及改进小目标处理的机制被选中；RF-DETR因其基于Transformer的架构与DINOv2预训练骨干被选中，后者提供细粒度视觉表征并利用更广上下文信息。两配置在同款24,768张标注图像数据集上评估，比较计算需求、独立测试集性能与现场裂缝长度可靠性。现场验证在两条代表不同表面状况的机场滑行道进行：Nibbio滑行道以活跃纵横向裂缝为主、封缝裂缝干扰有限；November滑行道以活跃与封缝裂缝共存为特征。YOLO26计算需求更低（约1小时、20计算单元），RF-DETR约6小时、80计算单元。RF-DETR在测试集取得更高mAP50与召回率，在两滑行道上模型误差指数(MEI)更低，表明裂缝长度恢复更好；但在November滑行道上幻觉指数(HI)更高，显示对视觉模糊封缝裂缝更敏感。结果表明模型选择应兼顾道面状况、计算约束及漏检与误检的操作后果。本研究具体贡献是将既往UAV-AI框架从工作流开发与类定义分析，扩展至真实机场道面条件下近期卷积与Transformer模型配置的对比评估。

研究背景与动机：机场跑道、滑行道与停机坪等大面积铺装资产承受反复飞机荷载、环境作用与老化，传统人工目视巡检耗时、主观且难以大范围一致实施。纵向与横向裂缝因宽度有限、几何不规则、与沥青背景低对比且常断续，对自动化图像分析构成挑战；当封缝裂缝(sealed cracks)等养护特征并存时，视觉上与活跃裂缝相似，易引发误检。既往研究建立了UAV-AI实例分割工作流（Perri等）并基于YOLO11探讨了封缝裂缝单独成类的标注策略，但未在同源数据与地面验证框架下比较近期卷积与Transformer范式模型。因此研究人员在《Applied Sciences》发表本文，旨在填补该空白。

主要关键技术方法：研究人员采用军事机场UAV航拍生成的24,768张640×640像素沥青混凝土道面图块（源自1,154张原始高分辨率影像，无重叠切分），标注为纵向裂缝、横向裂缝、封缝裂缝三类实例分割掩膜；在同一训练/验证/测试划分（测试896张）、输入尺寸640×640、批次16、最长10轮预定义资源受限训练窗口下，分别训练YOLO26-Large与RF-DETR-Large（保留各自预训练初始化与优化器），以验证集mAP50最高检查点用于评测；现场验证选取意大利北部Nibbio与November两条滑行道，通过SfM生成正射影像，以骨架化掩膜换算毫米级裂缝长度，并沿用幻觉指数(HI=L_hall/L_tot,detected×100%)与模型误差指数(MEI=L_{miss,detected}/L_{tot,ground-truth}×100%)作工程向指标。

研究结果：

1. 3.
   Methodology（方法论）：研究人员构建同源数据暴露、统一训练窗口但保留模型特有初始化与优化的对比协议，结合测试集标准指标(mAP50、精度、召回、F1)与现场HI/MEI双层级评估。
   3.1 Model Architecture（模型架构）：YOLO26为单阶段卷积实例分割，去DFL直接回归、引入小目标感知标签分配(STAL)、MuSGD与端到端无NMS；RF-DETR为DINOv2骨干+可变形注意力颈+查询解码器，以focal+L1+GIoU+Dice联合损失监督。两者分别代表部署导向卷积与全局上下文Transformer范式。
   3.2 Comparative Evaluation Strategy（对比评估策略）：固定数据划分与训练窗口，报告训练时间、GPU显存、计算单元及测试集/现场双指标，HI与MEI互补刻画误检与漏检长度占比。
   3.3 Dataset Preparation and Annotation Strategy（数据集与标注策略）：三类标注使模型区分活跃裂缝与养护封缝痕迹，支撑单裂缝几何量化。
   3.4 Training Configurations（训练配置）：YOLO26十轮渐进平稳，RF-DETR第五轮验证mAP50达峰，取各模型窗口内最优检查点。
2. 4.
   Results（结果）：
   4.1 计算与测试集：RF-DETR训练~6h/36GB/80单元，mAP50=49%、召回=57%；YOLO26~1h/15GB/20单元，精度=55%、F1=48%。RF-DETR召回强，YOLO26精度与误检控制强。
   4.2 现场验证：Nibbio（少封缝）上RF-DETR的MEI极低（纵向0.00–1.58%，横向0.62–3.18%），HI与YOLO26同低位；YOLO26的MEI显著更高（纵向1.71–17.63%）。November（封缝共存）上RF-DETR MEI仍低但HI飙升（纵向6.09–20.94%，横向2.90–14.88%），YOLO26 HI维持0–4.99%且更稳定。结论：干净活跃裂缝面RF-DETR长度恢复优；封缝模糊面YOLO26抗误检优。
3. 5.
   Discussion（讨论总结）：标准测试集指标不能替代工程向长度误差判断；模型优劣随道面视觉歧义程度切换——Nibbio场景漏检代价大选RF-DETR，November场景误检扭曲PCI选YOLO26；HI与MEI应纳入AI道面巡检验证常态。
4. 6.
   Conclusions（结论翻译）：本研究比较YOLO26与RF-DETR在UAV机场道面细裂缝实例分割上的表现，延伸既往UAV-AI框架至卷积/Transformer配置对比。YOLO26训练耗时约1/6、显存约2/5、计算单元1/4；RF-DETR测试集mAP50与召回更高，YOLO26精度与F1更高。Nibbio上RF-DETR MEI更低、HI略高；November上RF-DETR保低MEI但HI显著升高（纵向均10.74%、横向均8.81%），YOLO26两滑行道HI均低稳。模型选择依道面状况、误检/漏检操作权重及算力约束而定；封缝裂缝单列标注不可省；HI与MEI须与标准分割指标并用。未来需扩至刚性道面与ASTM D5340更多病害类，并量化幻觉/漏检长度对病害密度、严重度、扣分值与最终PCI的影响。

重要意义：本文在同源UAV-AI框架内首次将部署导向卷积(YOLO26)与DINOv2-Transformer(RF-DETR)实例分割用于机场道面细裂缝量化对比，以HI/MEI把“像素级分割精度”桥接到“工程向裂缝长度可靠性”，为机场道面管理系统的模型选型提供条件依赖型依据而非单一准确率排序。