改进YOLOv8的道路损伤检测算法

doi:10.3778/j.issn.1002-8331.2306-0205

摘要/摘要

摘要：道路损伤检测是保障道路安全、实现道路损伤及时修复的一项重要任务。针对现有的道路损伤检测算法中检测效率低、成本高昂、难以应用于移动终端设备问题，提出了一种改进YOLOv8公司的轻量型道路损伤检测算法YOLOv8-道路损坏（YOLOv 8-RD）结合CNN和变压器的优势，提出了一种能够提取道路损伤图像全局特征信息和局部特征信息的机器人程序模块，以适应裂纹对象的大跨度与细长特征。在骨干网络末端和颈部网络中引入坐标注意力机制（协调注意力，CA）将位置信息嵌入到通道注意力中，强化特征提取能力，并抑制无关特征的干扰。在YOLOv8公司颈部网络中使用C2f幻影模块，以减少特征通道融合过程中的浮点运算量，降低模型参数量，同时提高特征表达性能。实验结果表明，在RDD2022和道路损坏数据集上，改进算法与原算法相比mAP50和3.7个百分点，而模型参数量仅为2.8×106，计算量仅为7.3×109，分别降低了6.7%和8.5%。算法检测速度达到88?FPS、能够实时准确检测道路损伤目标。通过与其他主流目标检测算法比较，验证了该方法的有效性和优越性。

关键词: 道路损伤检测, 深度学习, YOLOv8，注意力机制, 变压器

摘要：道路损坏检测是保障道路安全、实现道路损坏及时修复的重要任务。针对现有道路损伤检测算法中检测效率低、成本高、难以应用于移动终端设备等问题，提出了一种基于改进YOLOV8的轻量级道路损伤检测方法YOLOV8-Road Damage（YOLOV 8-RD）。首先，结合CNN和Transformer的优点，提出了一种能够提取道路损伤图像全局和局部特征信息的BOT模块，以适应裂纹物体的大跨度和细长特征。然后，在主干网和颈部网络的末端引入协调注意（CA），将位置信息嵌入到信道注意中，增强特征提取能力，抑制无关特征的干扰。此外，在YOLOv8颈部网络中使用了C2fGhost模块，以减少特征通道融合过程中的浮点计算，减少模型参数的数量，提高特征表达性能。实验结果表明，在RDD2022数据集和道路损坏数据集中，与mAP50相比，改进算法分别提高了2%和3.7%，而模型参数数量仅为2.8×106，计算量仅为7.3×109，分别减少了6.7%和8.5%。该算法的检测速度达到88 FPS，能够实时准确地检测出道路损坏目标。通过与其他主流目标检测算法的比较，验证了该方法的有效性和优越性。

关键词： 道路损坏检测，深度学习， YOLOv8，注意机制，变压器

李松, 史涛, 井方科. 改进YOLOv8公司的道路损伤检测算法[J] ●●●●。计算机工程与应用, 2023, 59(23): 165-174.

李松、石涛、荆方科。改进的YOLOv8道路损伤检测算法[J]。计算机工程与应用，2023,59（23）：165-174。

参考文献

[1] 初秀民，严新平，陈先桥.路面破损图像二值化方法研究[J] ●●●●。计算机工程与应用，2008，44（28）：161-165．
CHU X M，YAN X P，CHEN X Q.路面破损图像二值化研究[J]。计算机工程与应用，2008,44（28）：161-165。
[2] 韩锟，韩洪飞.基于区域级和像素级特征的路面裂缝检测方法[J] ●●●●。铁道科学与工程学报，2018，15（5）：1178-1186.
HAN K，HAN H F.基于区域级和像素级特征的路面裂缝检测方法[J]。铁路科学与工程学报，2018,15（5）：1178-1186。
[3] KANG D，BENIPAL S S，GOPAL D L，等.基于深度学习的复杂背景下混合像素级混凝土裂缝分割与量化[J]。建筑自动化，2020118:103291。
[4] YAMAGUCHI T，MIZUTANI T。使用智能手机图像和激光雷达数据通过U-Net架构进行定量道路裂缝评估[J]。计算机辅助土木和基础设施工程，2022:13071。
[5] 李科岑，王晓强，林浩，等.深度学习中的单阶段小目标检测方法综述[J] ●●●●。计算机科学与探索，2022，16（1）：41-58.
李金川，王晓强，林浩，等。深度学习中一步小目标检测方法综述[J]。计算机科学与技术前沿杂志，2022,16（1）：41-58。
[6] 黄凯枫，张博熠，王梦，等.基于改进固态硬盘模型的路面病害识别算法研究[J] ●●●●。江苏科技大学学报（自然科学版），2023，37（2）：53-60.
黄开复，张伯英，王明，等。基于改进SSD模型的路面病害识别算法研究[J]。江苏科技大学学报（自然科学版），2023,37（2）：53-60。
[7] 安学刚，党建武，王阳萍，等.基于改进YOLOv4公司的无人机影像路面病害检测方法[J] 《建筑工程》，2023,53（6）：1285-1294。
AN X G，DANG J W，WANG Y P，等.基于改进YOLOv4的无人机图像路面病害检测[J]。无线电工程，2023,53（6）：1285-1294。
[8] 于刚，周晓玲.一种结合瓶颈变压器的改进YOLOv5裂纹检测方法[J]。数学，2023,11（10）：2377。
[9] 倪昌双，李林，罗文婷，等.改进YOLOv7公司的沥青路面病害检测[J] ●●●●。计算机工程与应用，2023，59（13）：305-316.
NI C S，LI L，LUO W T，等.基于改进YOLOv7的沥青路面病害检测[J]。计算机工程与应用，2023,59（13）：305-316。
[10] SRINIVAS A，LIN T Y.视觉识别的瓶颈变形金刚[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2021:16519-16529。
[11] HOU Q，ZHOU D，FENG J.高效移动网络设计的协调关注[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2021:13713-13722。
[12] 韩凯，王毅，田强，等.Ghostnet：廉价操作的更多特征[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2020:1580-1589。
[13] REDMON J，DIVVALA S，GIRSHICK R，et al.你只看一次：统一的实时对象检测[C]//IEEE计算机视觉和模式识别会议论文集，2016:779-788。
[14] REDMON J，FARHADI A.YOLO9000:更好，更快，更强[C]//IEEE计算机视觉和模式识别会议论文集，2017:7263-7271。
[15] 雷德蒙J，FARHADI A.YOLOv3:增量改进[J].arXiv:1804.027672018。
[16] BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4:目标检测的最佳速度和精度[J].arXiv:2004.109342020。
[17] 王鹏飞，黄汉明，王梦琪.改进YOLOv5公司的复杂道路目标检测算法[J] ●●●●。计算机工程与应用，2022，58（17）：81-92.
王鹏飞，黄海明，王敏清.基于改进YOLOv5的复杂道路目标检测算法[J]。计算机工程与应用，2022,58（17）：81-92。
[18] WANG C Y，BOCHKOVSKIY A，LIAO H Y M.YOLOv7：可培训的免费行李为实时目标探测器创造了新的技术水平[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2023:7464-7475。
[19] DOSOVITSKIY A，BEYER L，KOLESNIKOV A，et al.图像值16x16个单词：缩放图像识别变压器[J].arXiv:2010.119292020。
[20] ARYA D，MAEDA H，GHOSH S K等。基于rowdsensing-based road damage detection challenge（CRDDC'2022）[C]//2022 IEEE国际大数据会议（大数据），2022:6378-6386。

改进YOLOv8公司的道路损伤检测算法

改进的YOLOv8道路损伤检测算法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	陈吉尚, 哈里旦木·阿布都克里木, 梁蕴泽, 阿布都克力木·阿布力孜, 米克拉依·艾山, 郭文强.深度学习在符号音乐生成中的应用研究综述[J] ●●●●。计算机工程与应用, 2023, 59(9): 27-45.
[2]	姜秋香, 郭伟鹏, 王子龙, 欧阳兴涛, 隆睿睿.蟒蛇语言在水文水资源领域中的应用与展望[J] ●●●●。计算机工程与应用, 2023, 59(9): 46-58.
[3]	刘华玲, 陈尚辉, 乔梁, 刘雅欣.多模态混合注意力机制的虚假新闻检测研究[J] ●●●●。计算机工程与应用, 2023, 59(9): 95-103.
[4]	辛苗苗, 马丽, 胡博发.融合多粒度信息的文本分类研究[J] ●●●●。计算机工程与应用, 2023, 59(9): 104-111.
[5]	罗会兰, 陈翰.时空卷积注意力网络用于动作识别[J] ●●●●。计算机工程与应用, 2023, 59(9): 150-158.
[6]	李晋荣, 吕国英, 李茹, 柴清华, 王超.结合混合注意力和BiLSTM-CRF的汉语否定语义表示及标注[J] ●●●●。计算机工程与应用, 2023, 59(9): 167-175.
[7]	谢椿辉, 吴金明, 徐怀宇.改进YOLOv5公司的无人机影像小目标检测算法[J] ●●●●。计算机工程与应用, 2023, 59(9): 198-206.
[8]	李坤亚, 欧鸥, 刘广滨, 于泽峰, 李林.改进YOLOv5公司的遥感图像目标检测算法[J] ●●●●。计算机工程与应用, 2023, 59(9): 207-214.
[9]	李文举, 储王慧, 崔柳, 苏攀, 张干.结合图采样和图注意力的3D游戏[J] ●●●●。计算机工程与应用, 2023, 59(9): 237-244.
[10]	曾曦, 辛月兰, 谢琪琦.基于性别约束的多分支网络人脸表情识别[J] ●●●●。计算机工程与应用, 2023, 59(9): 245-254.
[11]	梅雨竹, 胡竹林, 朱欣娟.融合双层注意力机制的群组偏好融合策略研究[J] ●●●●。计算机工程与应用, 2023, 59(9): 272-279.
[12]	刘华玲, 皮常鹏, 赵晨宇, 乔梁.基于深度域适应的跨域目标检测算法综述[J] ●●●●。计算机工程与应用, 2023, 59(8): 1-12.
[13]	何家峰, 陈宏伟, 骆德汉.深度学习实时语义分割算法研究综述[J] ●●●●。计算机工程与应用, 2023, 59(8): 13-27.
[14]	张艳青, 马建红, 韩颖, 曹仰杰, 李颉, 杨聪.真实场景下图像超分辨率重建研究综述[J] ●●●●。计算机工程与应用, 2023, 59(8): 28-40.
[15]	石磊, 籍庆余, 陈清威, 赵恒毅, 张俊星.视觉变压器在医学图像分析中的应用研究综述[J] ●●●●。计算机工程与应用, 2023, 59(8): 41-55.