基于谷歌街景的城市卡车旁车感知框架及其货运-空气质量关联分析

《IEEE Open Journal of Intelligent Transportation Systems》：Drive-by Urban Freight Sensing: Large-Scale Fine-Grained Truck Classification Using Google Street View Imagery and Deep Learning

　　

摘要：

卡车在促进货物和商品流通方面对城市经济至关重要，但其大量存在对城市基础设施、交通拥堵、空气质量和噪声污染造成了显著影响。有效的城市货运监测和排放估算需要详细理解城市卡车按类别分布的大规模数据。然而，获取此类数据仍面临重大挑战，尤其是在复杂的城市环境中。本研究提出了一种新颖的旁车感知框架，利用谷歌街景图像（GSV）结合先进的计算机视觉和深度学习方法，在城市区域大规模生成细粒度的卡车分类数据。该框架由四个主要组件组成：第一，基于YOLO的定制检测器，用于从GSV图像中进行卡车检测和分类；第二，集成Depth Anything V2进行基于RGB的深度估计，以过滤远处和不太可见的目标；第三，采用EfficientNet进行细粒度卡车分类；第四，开展案例研究，分析检测到的卡车分布与环境数据在普查小片区层面的相关性，以验证旁车感知方法的有效性。在留出的、全景不相交的、地理分块测试集上，检测器达到了65.2%的精确率和56.9%的召回率，细粒度分类在七个按商品划分的卡车类别中达到了80.0%的总体准确率（宏F1 = 0.59，在十个训练种子中取平均）。基于GSV的方法为大范围城市货运监测提供了广泛的覆盖范围。在曼哈顿的案例研究展示了该框架识别卡车分布空间模式的能力，一项探索性的普查小片区层面分析（N = 90个小片区）揭示了近场卡车密度与PM2.5浓度之间的正相关关系，该关系在考虑空间自相关性的空间回归模型中依然显著。本研究展示了潜在……

显示更多