面向自动羽绒检测成功实现的实践：训练数据规模、照明差异与空间位移的影响

Raveling，即松散颗粒的损失，是高速公路沥青路面表面损坏的主要形式，尤其是高速公路。尽管研究表明，基于机器学习和深度学习的方法对通过分类 range 图像实现羽绒检测具有前景，但其性能在大规模部署时往往会下降，因为推理数据可能来自不同的运行、传感器和环境条件。这种下降凸显了需要更通用和稳健的解决方案以适应现实环境的需求。因此，本研究旨在 1) 识别并评估影响模型稳健性的潜在变量，如训练数据的数量、照明差异和空间位移；以及 2) 利用所发现结果来增强模型在现实环境下的稳健性。为此，我们提出 RavelingArena，一个旨在评估模型对羽绒检测中各种变量稳健性的基准测试。该基准通过对现有数据集进行增广，引入多样化且受控的变量，从而实现变量控制实验，以量化每个变量的影响。结果表明，训练数据的数量和多样性对模型准确率至关重要，在最具挑战性的条件下实验中实现了至少 9.2% 的准确率提升。此外，案例研究将这些发现应用于美国乔治亚州的一个多年测试段，显示出显著的年度一致性改进，为未来在时序退化建模方面的研究奠定了基础。这些见解为在羽绒检测及其他需要适应多样化条件的实际任务中实现可靠模型部署提供了指导。