Monitoreo de anomalías viales urbanas mediante modelos de visión y lenguaje para una mejor gestión de la seguridad

Los fenómenos anómalos en las vías urbanas, como las superficies irregulares, la basura, la congestión del tráfico, las inundaciones, los árboles caídos, los incendios y los accidentes de tráfico, presentan riesgos significativos para la seguridad pública y las infraestructuras, por lo que requieren sistemas de vigilancia en tiempo real y de alerta temprana.

Este estudio desarrolla modelos visuales de gran lenguaje de anomalías viales urbanas (URA-VLM), un marco generativo basado en IA diseñado para la monitorización de diversas anomalías viales urbanas. El InternVL fue seleccionado como modelo fundacional debido a su adaptabilidad para este propósito de monitorización. El marco URA-VLM incluye módulos específicos para la detección de anomalías, la estimación de la profundidad de las inundaciones y la evaluación del nivel de seguridad, y utiliza la estimulación en varios pasos y la generación aumentada por recuperación (RAG) para un análisis preciso y adaptable. Para evaluar los modelos se desarrolló un amplio conjunto de datos de 3034 imágenes anotadas que representaban diversos escenarios de carreteras urbanas.

Los resultados experimentales demuestran la eficacia del sistema, que alcanza una precisión global del 93,20% en la detección de anomalías, superando a los modelos más avanzados, como InternVL2.5 y ResNet34.

Al facilitar la detección temprana y la toma de decisiones en tiempo real, este enfoque de IA generativa ofrece una solución escalable y robusta que contribuye a un entorno vial más inteligente y seguro.

Título Original:

"Urban Road Anomaly Monitoring Using Vision–Language Models for Enhanced Safety Management"

Autor/es: