本文提出了使用联邦学习等隐私启用机器学习技术来检测路况，并在斯里兰卡提出实施国家道路系统的数字孪生的想法，以促进联合国可持续发展目标9的实现，“建设具有弹性的基础设施，促进包容性和可持续的产业化和创新”。
Jul, 2021
该研究使用了六种卷积神经网络模型来进行道路裂缝的检测，并使用一个由14000个样本组成的新型真实二元裂缝数据集进行微调，观察数据集扩增的效果，并得出ResNet和VGG16模型具有最高精度为98%的结论。
Apr, 2023
通过对不同类型传感器的定量质量评估，该研究为未来的智能交通基础设施传感器提出了一种多模式框架，有效地用于ITS-S应用中。
利用人工智能决策技术，通过预测道路性能、确定维护路线的优先级、基于过去维护效果评估和综合技术和管理指标进行维护决策、以及基于维护效果和推荐维护效果确定维护区段的优先级，实现了有限经费和历史维护管理经验的智能决策，提供科学工具和证据来帮助道路管理部门制定最佳维护计划和维护区段。
Jul, 2023
综述最近图像处理和深度学习技术在道路病害检测和分类中的广泛应用，介绍了机器学习和深度学习算法在提高效率和准确性方面的优势，讨论了无人机数据采集的整合以及处理高分辨率图像的深度学习算法在有效检测和分类不同道路病害方面的价值。
Aug, 2023
通过一种统一的多任务模型，可以直接从顶部向下的路面图像中预测出路面状况指数（PCI），同时对于裂缝检测和分割等相关任务具有极高的准确性。
Oct, 2023
本研究提出了YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与YOLO8、YOLO9和YOLO10等先进模型相比具有更高的精度和推断速度，达到高达136FPS的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了YOLO9tr在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。
Jun, 2024
本研究解决了当前路面性能预测中缺乏车道级分析的问题，通过开发一种多任务深度学习方法，利用大量历史段级数据进行车道级路面性能预测。研究表明，该框架在不同车道的预测上表现优异，平均绝对百分比误差均低于10%，显著优于其他集成学习与浅层机器学习方法。
Aug, 2024
本研究解决了传统铺路条件评估方法中定量与定性描述缺乏的问题，提出了一种新的多模态框架PaveCap。该框架结合了单次PCI估算网络和密集描述网络，实现对铺路条件的自动化评估，显著提高了基础设施管理与决策的效率。
本研究解决了发展中国家在资源有限和环境多样性条件下，急需高效、准确且符合当地实际的路面病害检测方法的问题。采用结合YOLO模型与卷积块注意力模块（CBAM）的新深度学习方法，可以同时检测和分类多种路面病害类型，模型表现出良好的识别性能。这一研究不仅推动了自动化路面病害检测的进展，还为发展中国家提供量身定制的解决方案，有望提高道路安全和优化维护策略。