基于多模态自编码器融合的鲁棒异常检测：用于小型车辆损伤检测
机器学习
2025-10-21 v2
摘要
车队和共享车辆系统中的磨损检测是一个关键挑战，尤其是在租赁和 car-sharing 服务中，由于视觉覆盖范围有限和访问受限，轻微损伤如凹陷、划痕和底盘冲击往往被忽视或检测太晚。当前的手动检查方法是默认方法，但耗费人力且容易出错。相比之下，基于图像的方法在车辆运动时可靠性较低，无法有效捕捉底盘损伤。本文引入一种新型多模态体系结构，基于异常检测来解决上述问题。惯性测量单元( IMU )和麦克风等传感器被集成到安装在车辆挡风玻璃上的紧凑设备中。该方法支持实时损伤检测，避免使用高资源密集型传感器。我们开发了多个基于多模态自编码器的体系结构变体，并对其进行评估，与单模态和最先进的方法进行比较。我们的多模态集成模型通过池化实现了最佳性能，接收者工作特征曲线下方面积(ROC-AUC)达到 92%，证明其在实际应用中的有效性。该方法还可扩展到其他应用，如提高汽车安全性，可与空气袋系统集成以实现高效部署，帮助自动驾驶车辆通过补充其他传感器实现碰撞检测。
引用
@article{arxiv.2509.01719,
title = {Robust Anomaly Detection through Multi-Modal Autoencoder Fusion for Small Vehicle Damage Detection},
author = {Sara Khan and Mehmed Yüksel and Frank Kirchner},
journal= {arXiv preprint arXiv:2509.01719},
year = {2025}
}
备注
17 pages, 12 figures, submitted to Elsevier MLWA