在智能交通和自动驾驶技术飞速发展的今天,道路安全和维护效率的提升成为了全球关注的焦点。安徽理工大学科研团队自主研发的车路协同终端MEC(Mobile Edge Computing)系统在道路异常检测与识别领域取得了重大技术突破,该系统通过深度学习模型实现了高准确率的道路病害检测,为智能交通领域带来了创新解决方案。
该系统由集成度极高的设备组成,具有低成本、易用性和全面的功能。系统主要通过深度学习模型检测病害,针对病害特征对模型进行了专项优化,使得系统异常检出率高达87%,异常辨识准确率高达76%。系统的研发团队表示,该系统通过结合图像检测的方式进行病害识别,依托于庞大的病害数据集,使得系统检测病害的准确率更高。同时,系统具备自我学习的能力,可以通过增加数据进一步提升检测精度。
在图像预处理方面,针对低光照条件和环境昏暗的情况,团队提出了图像预处理系统,以减少检测误差,提高检测精度。此外,系统还开发了图像校正算法,即使在颠簸的路面上也能保持图像稳定,避免影响检测结果。
为了提高检测精度,团队还针对YOLOv8算法提出了改进,使得改进后的检测系统能够更好地识别路面病害这一特征。通过构建庞大的数据集,系统能够丰富病害特征,进一步提高检测精度。
产品安装图
检测界面
该系统的道路测试结果令人瞩目,龟裂检出率为83%,裂缝检出率为87%,凹陷检出率为93%,整体异常辨识准确率高达76%。这些数据充分证明了系统在实际应用中的高效性和可靠性。
路面检测效果图
随着该系统的进一步推广和应用,预计将显著提升我国道路维护的效率和安全性,为智能交通领域的发展贡献中国智慧和中国方案。未来,该系统有望在更广泛的区域和场景中得到应用,为我国智能交通建设提供强有力的技术支持。
[ 编辑：广告推送]