提出了一种用于道路病害识别的高效率方法，采用图像自动化技术，将图像分成小块，通过网络来识别道路病害，并通过Kernel Inversed Pyramidal Resizing Network对图像进行预处理，提高图像分辨率和比例，使用该方法比现行方法更高效。

Dec, 2022

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

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

通过利用裂缝的背景和上下文信息，本文提出了一种端到端的深度学习方法来准确地定位图像中的裂缝，并且在Bitumen Pavement Crack数据集上的实验结果表明，该方法表现良好且优于当前最先进的方法。

Apr, 2024

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。

Aug, 2024

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。

Aug, 2024

本研究解决了现有自动化铺路监测方法在识别噪音和铺路表面纹理不规则性方面的不足。提出的PaveSAM模型，通过仅重训练180张图像，能够利用边界框提示高效分割铺路病害，显著降低标注成本并提高性能。这一创新为铺路病害分割的研究提供了新的解决方案，并拓宽了开放源铺路病害数据集的应用范围。

Sep, 2024

本研究解决了从路面图像中检测裂缝的困难，尤其是在复杂背景和低对比度情况下。提出的高效裂缝网（EfficientCrackNet）结合了卷积神经网络和变换器，利用深度可分离卷积和超轻量子空间注意力模块，实现了精准的裂缝分割。实验表明，该模型在多个基准数据集上表现优于现有轻量化模型，显示出优越的准确性与计算效率平衡。

Sep, 2024