Civil Engineering Science and Technology·10月1日 · 周四论文智慧农业 / 农业物联网阅读 0
A Hybrid Single-Shot Vision-AI and Geospatial Framework for Multimodal Infrastructure Degradation Mapping in Urban Networks
Mikkel Sørensen · Freja Holm
论文解读
0未达精选线
速览
提出融合YOLO、边缘计算与数字孪生的框架，实现城市交通基础设施缺陷实时检测与可视化。
方法
YOLO目标检测、Jetson边缘计算、地理空间同步与数字孪生Web-GIS平台
发现
白天检测达95.1%精度、94.7% F1，阴影湿滑低光下仍稳定，边缘端低延迟。
机会点
可将该视觉-地理-数字孪生框架迁移至农田道路、灌排设施等乡村基础设施巡检与资产管理。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文聚焦城市交通基础设施缺陷检测，与三农、农业信息化、智慧农业等主题无关，不予入选。
原文摘要
传统交通基础设施巡检通常劳动密集、耗时且局限于单一资产类型，降低了大范围基础设施管理的效率。本研究提出了一种融合视觉人工智能与地理空间的混合框架，用于自动化多模态基础设施劣化检测与数字资产监测。该框架集成了基于YOLO的目标检测模型、边缘计算、地理空间同步以及数字孪生Web-GIS平台，以实时检测、定位并可视化基础设施缺陷。在多种环境条件下的实验评估表明，检测性能稳定，在日光条件下达到95.1%的精确率、94.3%的召回率、94.7%的F1分数和96.4%的[email protected]，同时在阴影、潮湿和低光照环境中保持可靠精度。在NVIDIA Jetson Orin Nano上的边缘部署还提供了适用于实时现场应用的低延迟推理。本研究的新颖性在于将多模态视觉人工智能缺陷检测、边缘计算、地理空间同步和数字孪生可视化集成于一个统一框架中，能够同时监测异构交通基础设施资产。本研究通过弥合基于人工智能的巡检与空间资产管理之间的研究空白，并为自动化维护决策支持提供可操作框架而作出贡献。结果表明，将人工智能与地理空间技术相结合，可以提高智能交通基础设施巡检与管理的准确性、效率和可扩展性。