维持与管理道路质量：使用多层感知器和深度神经网络

劣质道路是汽车、驾驶员和行人的最大问题，因为它们是车辆损坏的主要原因，并且偶尔可能对这两类人群（行人和驾驶员）造成相当大的危险，这使得道路表面状况监测系统对于交通安全、降低事故率以及防止车辆受损至关重要。本文的主要目标是开发和评估能够准确将道路状况分类为四个类别（良好、满意、较差和非常差）的机器学习模型，使用来自 Kaggle 数据集的道路图像。为此，我们实施了各种机器学习方法。首先，使用从头实现的多层感知器（MLP）创建了基线模型。其次，使用 Keras 构建了一个更复杂的深度神经网络（DNN）。此外，我们从头开发了一个逻辑回归模型进行比较。最后，利用 sklearn 中的 K 近邻（KNN）算法构建了一个包含大量特征工程的宽模型。该研究比较了不同模型用于基于图像的道路质量评估方法。深度学习模型中，基于 Keras 的 DNN 取得了最佳准确率，而基线 MLP 提供了坚实的基础。尽管逻辑回归较为简单，但它提供了可解释性和对重要特征的洞察。KNN 模型在特征工程的帮助下取得了最佳结果。研究表明，机器学习可以自动化道路状况监测，节省维护成本。下一步是改进这些模型并在实际城市中进行测试，这将使我们的城市更好地管理且更安全。