Optimization model for ice and snow-covered objects based on deep learning

Wang Zhen-min

doi:10.1016/j.eswa.2025.129186

Optimization model for ice and snow-covered objects based on deep learning

2025-07-29

0

PRE

AI

DOI：10.1016/j.eswa.2025.129186

原文链接

原文求助

摘要

En 中文

交通运输在国民经济增长中扮演着至关重要的角色。然而，诸如驾驶员视线不良、路面状况评估困难和冰雪天气下车辆抗干扰性能弱等安全问题，严重影响了交通安全和自动驾驶技术。因此，检测和分析不同类型的冰雪路面覆盖情况具有重要意义。冰雪路面覆盖识别研究常面临挑战，如鲁棒性不足（阴影干扰）和识别精度低（由于数据集规模有限、数据集类型不平衡以及特征提取不足）。为解决这些问题，本研究引入了阴影去除（SR）模块处理冰雪路面覆盖数据，以提高精度和鲁棒性。此外，还集成了数据增强（DA1,2）模块以扩充数据集并增强特征提取。进一步地，提出了一种更全面的冰雪路面覆盖分类模型——基于专家混合的视觉Transformer混合（MViT Hybrid），以增强建模和特征提取能力。最终，提出了针对冰雪路面覆盖识别的最优分类模型。将十二种不同的分类算法与基于SR-DA1,2的MViT Hybrid方法进行比较。测试结果表明，在SR-DA1,2模块下，所提出的MViT Hybrid算法相比其他算法平均召回率至少提高了5.80%。与传统的ViT系列算法相比，平均召回率提高了5.80%至11.51%。此外，研究发现，在原始数据集中添加天气干扰会降低分类精度，进一步证明了MViT Hybrid模型的鲁棒性。

Keyword:

ice and snow road detection

Shadow Removal module

Data Augmentation

MViT Hybrid model

traffic safety

Optimization model for ice and snow-covered objects based on deep learning

摘要

期刊

机构

引用论文