{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,18]]，“日期-时间”：“2024-06-18T15:06:32Z”，“时间戳”：1718723192617}，“引用-计数”：79，“出版商”：“Hindawi Limited”，“许可证”：[{“开始”:{“日期-零件”：[2021,9,29]]，”日期-时间“：”2021-09-29T00:00:00 0:00Z“，”时间戳“：1632873600000}，“content-version”：“unspecified”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[“计算智能和神经科学”]，“published-print”：{date-parts“[2021,9,29]]}，”abstract“：”路面缺陷是影响交通安全畅通的关键问题。由于气候变化、建筑材料质量低、交通流量大和重型车辆，路面异常现象迅速增加。为了驾驶员、乘客和车辆免受机械故障的影响，检测和修复这些缺陷是必要的。在这个现代时代，无人驾驶汽车是一个活跃的研究领域，它通过车内传感器进行控制，无需人工命令，特别是在深度学习（DNN）技术出现之后。传感器和DNN技术的组合可用于无人驾驶车辆感知其周围环境，以检测轨道和障碍物，从而在车辆中部署人工智能，实现平稳行驶。自动驾驶汽车面临的最大挑战之一是避免可能导致危险情况的关键道路缺陷。为了解决事故问题和共享紧急信息，智能交通系统（ITS）引入了车辆网络的概念，称为车辆自组织网络（VANET），以实现交通流的安全和保障。基于Edge AI和VANET，提出了一种新的机制，用于自动检测自主车辆的道路异常，并为即将到来的车辆提供道路信息。通过摄像头拍摄的道路图像以及在车辆中部署用于道路异常检测的经过训练的模型可以帮助降低事故率和不良道路条件下的危险风险。使用来自不同在线来源的数据集，将残差卷积神经网络（ResNet-18）和视觉几何组（VGG-11）技术应用于具有异常的道路的自动检测和分类，如凹坑、凹凸、裂缝和无异常的平坦道路。结果表明，所应用的模型比其他用于道路异常识别的技术表现良好<\/jats:p>“，”DOI“：”10.1155\/2021\/6262194“，”type“：”journal-article“，”created“：{”date-parts“：[2021,9,30]]，”date-time“：”2021-09-30T02:21:19Z“，”timestamp“：1632968479000}，”page“：“1-16”，“source”：“Crossref”，“is-referenced-by-count”：84，“title”：[“使用深度学习的VANET中基于边缘人工智能的道路异常自动检测和分类”]，“前缀“：”10.1155“，”卷“：”2021“，”作者“：[{”给定“：”罗兹“，”家族“：”比比“，”序列“：”第一“，”隶属关系“：[[{“name”：“巴基斯坦哈里普尔哈里普尔大学信息技术系”}]}，{“给定”：“Yousaf”，“family”：“Saeed”，“sequence”：“additional”，“affiliation”：[{'名称“：”巴基斯坦哈里普尔大学信息技术系“}]}，{“given”：“Asim”，“family”：“Zeb”，“sequence”：“additional”，“affiliation”：[{“name”：“巴基斯坦哈维连阿伯塔巴德科技大学计算机科学系”}]}，{name“：”马来西亚雪兰莪州班吉43600号马来西亚Kebangsaan大学（UKM）信息科学与技术学院网络安全中心“}，{“name”：“阿联酋沙迦大学城Skyline大学学院信息技术学院，1797沙迦”}]}，}“given”：“Taj”，“family”：“Rahman”，“sequence”：“additional”，“affiliation”：[{“name“：”巴基斯坦白沙瓦25000库特巴科技与信息技术大学物理与数值科学系“}]}，{“given”：“Raed A.”，“family”：“Said”，“sequence”：“additional”，“affiliation”：[{“name”：“加拿大大学迪拜分校，阿联酋迪拜分校”}]}.，{”ORCID“：”http://\/ORCID.org\/00000-0001-5289-7831“，”authenticated-ORCID“：true，”given“Sagheer“，”family“：”Abbas“，”sequence“：”additional“，”affiliation“：[{”name“：”巴基斯坦拉合尔54000国立工商管理与经济学院计算机科学学院“}]}，{”ORCID“：”http://\/ORCID.org\/00000-0002-5240-0984“，”authenticated-ORCID“：true，”given“：“Munir”，“family”：“Ahmad”，“sequence”：“additional”，“affiliation:”[{“name”：“巴基斯坦拉合尔54000国立工商管理与经济学院计算机科学学院“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0001-9789-5231”，“authenticated-ORCID”：true，“given”：”穆罕默德·阿德南“，“family”：“Khan”，“sequence”：“additional”，“affiliation”：[{“name”：“模式识别和机器学习实验室，软件系，韩国成南市成南13120“}]}]，“成员”：“98”，“参考”：[{“key”：“1”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.procs.2017.11.056”}，{“密钥”：“2”，“volume-title”：“全球道路安全状况报告”，“作者”：“世界卫生组织”，“年份”：“2018”}，{“关键”：“3”，“卷标题”：“全球道路安全状况报告：行动时间”，“作者”：“世界卫生组织”，“年份”：“2009”}，{“关键”：“4”，“卷标题”：“支持十年行动的2013年全球道路安全状况报告”，“作者”：“世界卫生组织”，“年份”：“2013”}，{“关键”：“5”，“卷标题”：“全球道路安全状况报告”，“author”：“世界卫生组织”，“年份”：“2015年”}，{“key”：“6”，“首页”：“861”，“article-title”：“利用深度卷积网络从遥感数据中检测路面异常的方法”，“author”：“W.Xia”}：“通过移动边缘计算实现实时道路异常检测”，“volume”：“12”，“author”：“Y.Chen”，“year”：“2019”，“journal-title”：“International journal of Distributed Sensor Networks”}，{“key”：”9“，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/access.200.3004590”}、{“key”：：“11”，“doi-asserted-by”：“publisher”，“doi”：“10.1007\/978-3642-22543-7_34”}，{“key”：“12”，“volume-title”：“自动驾驶汽车可能产生的各种能量影响”，“author”：“J.Gonder”，《年份》：“2013”}：“横向车辆控制的深度学习\u00c2一种端到端训练的多功能转向模型”，“作者”：“B.Schick”，“年份”：“2019”}，{“key”：“15”，“doi-asserted-by”：“publisher”，”doi“：”10.1016\/j.iatssr.2019.11.008“}，”{“键”：“16”，“首页”：“506”，“文章标题”：“当深度学习遇到边缘时：自动掩蔽深度神经网络以在边缘设备上进行高效机器学习”，“作者”：“N.Lin”}，{“key”：“17”，“article-title”：“深度测试：深度神经网络驱动的自动汽车测试”，“作家”：“Y.Tian”}，“doi断言者”：“publisher”，“doi”：“10.1016\/j.aci.2018.05.0002”}，{“key”：“20”，“doi断言者”：“publisher”，“doi”：“10.1155\/2015\/968361”}，{“key”：“21”，“文章标题”：“一种利用深度卷积网络从遥感数据中检测路面异常的方法”，“author”：“W.Xia”}，{“key”：“22”，“doi断言者”：“publisher”，“doi”：“10.1061\/（asce）cp.1943-5487.0000831”}，{“key”：“23”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/tits.2019.2931297”}、{“密钥”：“24”、“doi-sserted-by“：”publisher“，”doi“：”10.1016\/j.aei.2020.101182 251“}，{”key“：”26“，”article-title“：”高级驾驶员辅助系统（Adas）a减速带检测“，”author“：”W.Deva Priya“，”year“：”2015“}，{”key“：”27“，”doi-asserted-by“：”publisher“，“doi”：“10.18100\/ijamec.270546”}，}，“key”：“28”，“doi-assert-by”：“crossref”，“first page”：”2168“，”doi“：”10.4236\/cs.2016.79188“，”article-title“：”使用高斯滤波和连接组件方法的实时减速带检测”，“volume”：“7“，”author“：”W.Deva Priya“，”year“：”2016“，”journal-title“：”Circuits and Systems“}，”{“key”：“29”，”first page“：”198“，“article-title”：“A deep learning approach for street potthole detection”，“author”：“P.Ping”}，{“密钥”：“30”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.conbuildmat.2017.09.110”}“，15“，”文章标题“：”使用基本形态学算法检测道路异常“，”卷“：”8“，”作者“：”D.Danilescu“，”年份“：”2015“，”期刊标题“：”Carpathian journal of Electronic and Computer Engineering“}，{“key”：“32”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/access.2020.2980086”}，“key“：”33“，”首页“：”279“article-title”：“timor leste基于深度学习的道路坑洞检测方法”，“author”：“V.Pereira”}，{“key”：“34”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.procs.2018.10.335”}、{“密钥”：“35”，“article-title”：“使用yolov2模型进行道路坑洞探测”，“volume”：《国际工程技术与科学现代化研究杂志》}，{“key”：“36”，“article-title”：“基于卷积神经网络的热成像坑洞检测”，“volume”：《2》，“author”：“A.Akula”，“year”：“2019”，“Journal title”：《沙特国王大学学报-计算机与信息科学》}doi-asserted-by“：”publisher“，”doi“：”10.1007 \/s13042-020-01078-7“}，{“key”：“38”，“doi-assert-by”：“publisher”，“doi”：“10.1109 \/tits.2016.2552248”}，}“密钥”：“39”，“首页”：“3708”，“article-title”：“使用深度卷积神经网络进行道路裂缝检测”，“author”：“L.Zhang”}、{“key”：“40”，“doi-asserted-by”I“：”10.13053\/rcs-148-9-6“}，{“key”：“41”，“首页”：“1244”，“article-title”：“使用深度卷积神经网络检测凹坑”，“volume”：”24“，“author”：“L.K.Suong”，“year”：“2018”，“journal-title“：”journal of Universal Computer Science“}，{”key“：”42“，”doi-asserted-by“：”publisher“，”doi“10.1155\/2020\/7240129”}，“key“43”，“doi-assert-by”：“publisher”，”内政部“：“10.1109\/access.2020.2981561”}，{“key”：“44”，“首页”：“52”，“article-title”：“使用深度全卷积神经网络进行混凝土裂缝自动检测”，“volume”：”99“，“author”：“D.Cao”，“year”：“2018”，“journal-title“：“Automation in Construction”}：“使用深度卷积神经网络和自适应阈值进行道路裂缝检测”，“author”：“R.Fan”}，{“key”：“46”，“doi-asserted-by”：“publisher”，“doi”：“10.18100\/ijamec.270546”}，“doi-asserted-by”：“publisher”，“doi”：“10.1155\/2015\/968361”}，{“key”：“49”，“first-pages”：“1”，“article-title”：“使用图像处理技术检测和计数坑洞”，“author”：“K.Vigneshwar”}、{“key”：《50》，“volume-title》：“使用深度学习和启发式图像后处理进行隧道检测的自动裂缝检测”，“author”:“A。Voulodimos”，“年份”：“2019”}，{“key”：“51”，“首页”：“1”，“article-title”：“使用深度学习的现代坑洞检测技术”，“author”：“A.Kumar”}、{“密钥”：“52”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/dect.2018.8615819”}22“}，{”键“：”54“，”首页“：”9“，”article-title“：”道路监控：智能路面状况监测系统“，”author“：”E.El-hariri“，”year“：”2014“}，{“key”：“55”，“first page”：”09006“，”article-title“，”基于智能手机的减速检测系统“，“volume-title”：“MATEC Web of Conferences”，“author”：“M.You”，“year”：“2016”}，“key“：”56“doi-asserted-by“：”publisher“，”doi“：”10.13005\/ojcst\/10.03.05“}，{“key”：“57”，“doi-assert-by”：“publisher”，“doi”：“10.14257\/castle.2018.150.35”}，}“key:”58“，”first page“：”65“，”article-title“：”使用智能手机传感器的铺砌和未铺砌道路分类和道路异常检测自动测量系统“，”author“：”F.S.Cabral“}doi-asserted-by“：”publisher“，”doi“：”10.1109\/iccpeic.2018.8525196“：”10.3390\/s20020451“}，{”key“：”63“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/tits.2020.3016288“}，{“key”：“64”，“volume-title”：“坑洞图像数据集”，“author”：“S.Patel”，“year”：“2019”}，“key“：”65“，”volume-tite“：”Speed Hump\/bump数据集“，”author“：”S.K.P.Varma“，”year“2018”}、{“key”：”66“，”article-title“：”坑洞和平原道路图像“，”author“:”Viren“，“year:”2019年“}，{“密钥”：“67”，“首页”：“117”，“article-title“：”提高图像分类问题深度学习的数据增强“，”author“：”A.Miko\u00c5ajczyk“}，{“key”：“68”，“article-title”：“带深度卷积神经网络的Imagenet分类”，“volume”：”25“，“author”：“A.Krizhevsky”，“year”：“2012”，“journal-title”:“neural Information Processing Systems”}，“key“：”69“，”首页“：”770“，”文章标题“：”图像识别的深度剩余学习“，”作者“：”K.He“}，”{“key”：“70”，“首页”：“2261”，“文章标题”：“紧密连接的卷积网络”，“作者”：“G.Huang”}，{“密钥”：“71”，”文章题目“：”用于大规模图像识别的极深卷积网络“，”作家“：”K.Simonyan“，”年份“：”2015年“}”，{key“：”72“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.knosys.2015.01.010“}，{“key”：“73”，“article-title”：“图像识别的深度剩余学习”，“author”：“K.He”}，}“key:”74“，”article-title“：”大规模图像识别的非常深度卷积网络“，”volume-title“《国际学习代表大会论文集》，圣地亚哥，“，”作者“：”K.Simonyan“，”年份“：”2015“}，{“key”：“75”，“doi-asserted-by”：“crossref”，“doi”：“10.1007\/9781-4842-4470-8_7”，“article-title”：“Google colaboratory”，“volume-title“：“在Google云平台上构建机器学习和深度学习模型”，“author”：“E。碧松”，“年份”：“2019”}，{“key”：“76”，“volume-title”：“Fastai”，“author”：“J.Howard”，“year”：“2018”}.ergon.2011.05.001“，”文章标题“：”学习曲线模型和应用：文献综述和研究方向”，“卷”：“41”，“年份”：“2011年”，“期刊标题”：“国际工业人机工程学杂志”}，{“关键”：“79”，“首页”：“1”，“文章标题”：《使用卷积神经网络进行坑洞和凹凸检测》，“作者”：“S.Shah”}]，“容器标题”：[”计算智能与神经科学“]，“原标题”：[]，“语言”：“en”，“链接”：[{“URL”：“http:\/\/downloads.hindawi.com\/journals \/cin\/2021\/6262194.pdf”，“内容类型”：“应用程序\/pdf”，“内容版本”：“vor”，“预期应用程序”：“文本挖掘”}，{“URL”：“http:\/\/downloads.hindawi.com\/journals \/cin\/2021\/6262194.xml”，“内容类型”：“application\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“http://\/downloads.hindawi.com/journals\/cin\/2021\/6262194.pdf”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-plication”：“similarity-checking”}]，“deposed”：{“date-parts”：[2021,9,30]]，“date-time”：”2021-09-30T02:21:47Z“，”timestamp“：1632968507000}，”score“：1，”resource“：{“primary”：{”URL“：”https:\/\/www.hindawi.com/journals\/cin\/2021\/6262194\/“}}，“subtitle”：[]，“editor”：[{“given”：“Amparo”，“family”：“Alonso-Betanzos”，“sequence”：“additional”，“affiliation”：[]}]，“shorttitle”：[]，“issued”：{“date-parts”：[2021,9,2,2 9]]}，“references-count”：79，“alternative-id”：[“6262194”，“6262194“]，”URL“：”http://\/dx.doi.org\/10.1155\/2021\/6262194“，”关系“：{}，”ISSN“：[”1687-5273“，”1687-5.265“]，“ISSN-type”：[{“value”：“1687-5273]，”type“：”electronic“}，{“value”：“687-5265”，“type”:“print”}]，“subject”：[]，“published”：{“date-parts”：[2021,9,29]]}}}