Transportation Research Interdisciplinary Perspectives·9月27日 · 周日论文农业遥感与作物表型阅读 0
Automated pavement marking retroreflectivity estimation via computer vision and machine learning
Mark Gervas Ngotonie · Nana Kankam Gyimah · Gurcan Comert 等 7 人
论文解读
0未达精选线
速览
用手机RGB视频和机器学习预测路面标线逆反射率，无需专用传感器。
方法
GLCM纹理特征+物理信息合成标签，训练五种机器学习模型。
发现
XGBoost与合成标签模型一致性最高（R²=0.98黄/0.97白），验证概念可行。
机会点
需实地验证并扩展多路面、天气和交通场景数据集，提升模型泛化能力。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文研究路面标线逆反射性能的计算机视觉估算方法，属于道路交通安全与交通基础设施领域，与三农、农业信息化、智慧农业、数字乡村等主题无关，不建议进入每日精选。
原文摘要
路面标线逆反射性能对夜间道路安全至关重要，但会因环境和交通因素而衰减。传统评估方法成本高且劳动强度大。本文提出了一种与传感器无关、由人工智能驱动的方法，仅使用红、绿、蓝（RGB）智能手机视频即可预测路面标线逆反射性能。其人工智能贡献在于将基于灰度共生矩阵（GLCM）的纹理与对比度特征，与一个模拟材料劣化和环境影响的物理信息合成标注模型相结合，从而在缺乏专用传感器的情况下实现监督学习。研究使用由基于视频的图像处理和物理信息合成标签得到的八个特征训练了五种机器学习模型。XGBoost在与合成标注模型的一致性方面表现最佳（黄色R²=0.98，白色R²=0.97），表明机器学习算法能够有效逼近逆反射性能与标准RGB视频特征之间复杂的、基于物理的关系。这些结果确立了概念验证的可行性；在投入实际应用之前，仍需针对真实逆反射测量值开展现场验证。未来工作将利用现场测量验证模型，并扩展数据集以涵盖不同路面类型、天气条件和交通环境，从而增强泛化能力。