检索结果-南通市图书馆

基于改进YOLOv5的道路病害检测算法研究

在线全文

学校读者我要写书评

暂无评论

计算机技术与发展 2025年第2期35卷 191-198页

作者：文权锐高玮军兰州理工大学计算机与通信学院甘肃兰州730050

受道路病害特征不明显、与背景对比度低等复杂因素的影响,基于传统数字图像处理技术的识别算法精度低。而现有深度学习目标检测算法参数量大,不适合移动端实时检测。为了更高效、准确地识别道路病害,提出一种基于YOLOv5的改进算法。该... 详细信息

受道路病害特征不明显、与背景对比度低等复杂因素的影响,基于传统数字图像处理技术的识别算法精度低。而现有深度学习目标检测算法参数量大,不适合移动端实时检测。为了更高效、准确地识别道路病害,提出一种基于YOLOv5的改进算法。该算法致力于实现道路检测的实时性和精确度之间的平衡,通过引入轻量级Ghost模块用更少的参数生成更多的特征图,减少模型参数;将基于CSP结构中的C3Ghost模块重新设计成一种新型的InceptionGhost模块,实现从不同尺度进行特征提取,保障模型精度。通过在骨干网络添加CBAM注意力机制进一步加强特征提取能力。由于采集到的样本分布不均匀,使用Focal-EIoU损失函数改善样本数量不平衡的问题,提高模型的鲁棒性。实验结果表明,改进后的算法较原有的YOLOv5s模型,mAP@0.5提高了2.5百分点,同时参数量压缩了36.6%,检测速度提高了16.9%;并通过与目前先进算法和其他改进算法的对比表明,该算法在精度和参数量方面显示出明显的优越性。

关键词：目标检测 YOLOv5 轻量化注意力机制道路病害检测特征提取

多病害并发复杂场景下的道路病害检测RGT-YOLOv7模型

在线全文

学校读者我要写书评

暂无评论

湖南大学学报（自然科学版） 2024年第12期51卷 107-118页

作者：罗向龙王彦博蒲亚亚刘若辰长安大学信息工程学院陕西西安701164

随着我国公路网的不断扩展,道路病害检测已经成为道路养护与行车安全保障必不可少的组成部分,基于深度学习的道路病害检测已经成为该领域的研究热点.针对多种病害并发的复杂场景下道路病害识别精度不高、泛化能力不足的问题,提出了一种... 详细信息

随着我国公路网的不断扩展,道路病害检测已经成为道路养护与行车安全保障必不可少的组成部分,基于深度学习的道路病害检测已经成为该领域的研究热点.针对多种病害并发的复杂场景下道路病害识别精度不高、泛化能力不足的问题,提出了一种复杂场景下的道路病害检测模型RGT-YOLOv7(Receptive Ghost Triplet-YOLOv7).在主干网络部分引入三重注意力机制,提高病害特征在不同通道与空间的相关性,解决了特征提取效率不高的问题;将原有的全连接空间金字塔卷积模块替换为快速全连接空间金字塔卷积模块,并加入幻影卷积模块,提高冗余特征的使用率,将原有的冗余特征与新提取到的特征融合,得到包含不同尺度的特征信息;为了扩大模型感受野,在特征增强部分加入改进的感受野模块,利用不同尺寸的空洞卷积从不同方向对特征图进行提取,加强对横向和纵向特征的提取.实验结果表明,与YOLOv7相比,识别的平均正确率(mean average precision,mAP)和平衡F分数分别提升了6.9、3.9个百分点,尤其是对纵向裂缝危害识别的平均正确率提高了22.3个百分点,与Faster R-CNN、YOLOv5等模型相比也有良好的性能提升,表明RGT-YOLOv7是一种有效的复杂场景下的道路病害检测模型.

关键词：目标检测道路病害检测深度学习 YOLOv7 RFB

维普期刊数据库博看期刊

基于改进YOLOv8的轻量化道路病害检测方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年第14期60卷 175-186页

作者：胥铁峰黄河张红民牛晓富重庆理工大学电气与电子工程学院重庆400054 招商局重庆交通科研设计院有限公司重庆400000

针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCNv3模块增强对物体形... 详细信息

针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCNv3模块增强对物体形变的建模能力,并对输入特征信息进行降维处理,有效降低模型参数量和计算复杂度。设计GS-Decoupled head检测模块,降低检测头参数的同时实现全局信息的有效聚合。同时,设计E-Slide Loss权重函数,为困难样本分配更高权重,充分学习道路病害中的难样本数据,进一步提高模型检测精度。采用通道剪枝减少模型冗余通道,有效压缩模型体积并提高检测速度。实验结果表明,DGE-YOLO-P模型相较于YOLOv8n模型mAP提高2.4个百分点,而模型参数量、计算量和模型大小分别降低58.1%、66.7%和55.5%。检测速度FPS由34帧/s提高到51帧/s。

关键词：道路病害检测复杂场景 YOLOv8n 轻量化模型剪枝

基于改进YOLOv7-tiny的道路病害检测算法

在线全文

学校读者我要写书评

暂无评论

图学学报 2024年第5期45卷 987-997页

作者：谢国波林松泽林志毅吴陈锋梁立辉广东工业大学计算机学院广东广州510006

针对目前道路病害检测方法参数量较大、小目标病害检测效果差且易出现误检、漏检的问题,提出一种基于改进YOLOv7-tiny的道路病害检测算法。引入深度可分离卷积(DSC)和无参注意力机制(SimAM)设计ELAN-SimAM-D结构,减少计算量和参数量以... 详细信息

针对目前道路病害检测方法参数量较大、小目标病害检测效果差且易出现误检、漏检的问题,提出一种基于改进YOLOv7-tiny的道路病害检测算法。引入深度可分离卷积(DSC)和无参注意力机制(SimAM)设计ELAN-SimAM-D结构,减少计算量和参数量以实现轻量化,同时加强模型的特征提取和特征融合的能力;引入自适应指数加权池化和自适应融合设计SPPAda结构作为空间金字塔池化结构,增强道路病害信息的保留程度,降低病害的漏检;新增P2小目标网络层,加强对较小目标病害的检测能力,提高模型的检测精度;设计新的损失函数NWD-EIOU替换原CIOU损失函数,提高小目标定位的精度。实验结果表明,相较于原始的YOLOv7-tiny算法,改进后的YOLOv7-tiny算法在自建实验数据集下mAP@0.5达到83.14%,提升了3.50%,召回率上提升了4.96%,模型的参数量降低了33.84%,能够满足道路病害检测的需求。

关键词： YOLOv7-tiny 道路病害检测自适应指数加权池化 SimAM注意力机制 SPPAda结构 P2小目标网络层

在线全文

学校读者我要写书评

暂无评论

基于轻量化车载设备的道路病害检测方法

测绘通报 2024年第5期 147-150页

作者：姚楚羡蔡皓楠张远波唐可懿詹璐周宝定深圳大学土木与交通工程学院广东深圳518060 深圳大学城市智慧交通与安全运维研究院广东深圳518060

针对传统道路检测方法成本高、检测周期长,无法满足城市道路大规模、短周期检测需求的问题,本文设计了一种轻量化车载道路病害数据获取设备,并提出了基于轻量化车载设备的道路病害检测方法。该设备质量小、成本低,可简易、快速地安装在... 详细信息

针对传统道路检测方法成本高、检测周期长,无法满足城市道路大规模、短周期检测需求的问题,本文设计了一种轻量化车载道路病害数据获取设备,并提出了基于轻量化车载设备的道路病害检测方法。该设备质量小、成本低,可简易、快速地安装在小汽车、公共汽车等城市常见车辆上,能够同步收集惯性数据、图像、GPS定位信息等数据。基于轻量化车载设备在城市道路上采集道路图片数据并构建数据集,然后建立深度学习模型对其进行训练和评估,检测和识别道路病害,正确率达82.54%,能够满足城市道路日常巡检的要求。

关键词：道路工程道路病害检测轻量化车载设备深度学习目标检测

VRD-YOLO：基于YOLOv5s改进的实时车载影像道路病害检测模型

在线全文

学校读者我要写书评

暂无评论

南京信息工程大学学报 2024年

作者：黄文龙赵好好康健支晓栋王东川周维勋倪欢管海燕南京信息工程大学遥感与测绘工程学院北京中科鹏宇科技有限公司

针对车载影像中的道路病害尺寸差异大，小尺度病害多，导致检测精度低的问题，本文提出一种基于YOLOv5s改进的实时车载影像道路病害检测模型VRD-YOLO（Vehicle-mounted-images Road Damage Detection -YOLO）。首先，提出通道混合滑动Tr... 详细信息

针对车载影像中的道路病害尺寸差异大，小尺度病害多，导致检测精度低的问题，本文提出一种基于YOLOv5s改进的实时车载影像道路病害检测模型VRD-YOLO（Vehicle-mounted-images Road Damage Detection -YOLO）。首先，提出通道混合滑动Transformer模块，增强模型全局上下文建模能力，强化细粒度道路病害语义特征信息提取；其次，引入具有跨层融合和跨尺度融合特性的广义特征金字塔，扩大网络感受野，强化多尺度病害特征融合；再次，设计动态检测头，实现尺度感知、空间感知和任务感知，优化模型特征响应，进一步提升模型的检测性能。最后，构建车载影像道路病害数据集VIRDD（Vehicle-mounted Images Road Damage Dataset），扩充现有道路病害数据集数量及类型，并基于该数据集进行消融和对比实验。实验结果表明：VRD-YOLO在VIRDD数据集上的平均精度均值（mAP@0.5）为74.45%，检测速度（FPS）可达到28.56帧/s，与YOLOv5s模型相比，精确度、召回率、F1分数和mAP分别提升2.79、2.32、2.54和3.19个百分点。同时，通过与其他6种经典及主流目标检测模型比较，VRD-YOLO以最少的模型参数量(9.68×106)获得了最佳的检测精度，验证了本文方法的有效性和优越性。

关键词： YOLOv5s 道路病害检测车载影像 Transformer 广义特征金字塔动态检测头

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于注意力融合的三维探地雷达道路病害检测

计算机工程与设计 2022年第9期43卷 2669-2677页

作者：韩海航莫佳笛周春鹏王洋洋于智顾静军浙江省交通运输科学研究院道路工程研究所浙江杭州310039 浙江大学工程师学院浙江杭州310015 浙江大学计算机学院浙江省服务机器人重点实验室浙江杭州310027

为充分利用三维探地雷达采集到的多视图雷达数据以提高其病害分类准确性,提出一种可同时利用多视图雷达图谱数据的端到端双塔模型。将多视图数据作为输入分别训练单视图的特征提取器,其中采用通道间自注意力机制自适应地提取单视图内重... 详细信息

为充分利用三维探地雷达采集到的多视图雷达数据以提高其病害分类准确性,提出一种可同时利用多视图雷达图谱数据的端到端双塔模型。将多视图数据作为输入分别训练单视图的特征提取器,其中采用通道间自注意力机制自适应地提取单视图内重要特征;采用视图间注意力机制将双视图特征带权融合,以学习不同病害对于各视图的偏好;将融合特征经过多层感知机和Softmax归一化进行道路病害分类。实验结果表明,提出算法在真实道路数据中精度较高,达到94.62%,采用数据增强后精度进一步提升至95.78%。

关键词：三维探地雷达特征融合深度学习道路病害检测注意力机制

在线全文

学校读者我要写书评

暂无评论

基于加强特征提取的道路病害检测算法

计算机应用 2024年第7期44卷 2264-2270页

作者：龙伍丹彭博胡节申颖丁丹妮西南交通大学计算机与人工智能学院成都611756 可持续城市交通智能化教育部工程研究中心(西南交通大学) 成都611756 成都信息工程大学计算机学院成都610225

针对道路病害区域小、类别数量不均衡导致检测困难的问题,提出基于YOLOv7-tiny的道路病害检测算法RDD-YOLO。首先,采用K-means++算法得到拟合目标尺寸更好的锚框。其次,在小目标检测支路上使用量化感知重参数化模块(QARepVGG),增强浅层... 详细信息

针对道路病害区域小、类别数量不均衡导致检测困难的问题,提出基于YOLOv7-tiny的道路病害检测算法RDD-YOLO。首先,采用K-means++算法得到拟合目标尺寸更好的锚框。其次,在小目标检测支路上使用量化感知重参数化模块(QARepVGG),增强浅层特征提取,同时构建加强注意力模块(AM-CBAM)嵌入颈部的3个输入,抑制复杂背景干扰。然后,设计特征融合模块(Res-RFB),模拟人眼扩大感受野融合多尺度信息,提高表征能力;另外,构造轻量级解耦头(S-DeHead)提高小目标检测精确率。最后,采用归一化Wasserstein距离度量(NWD)优化小目标定位过程,并缓解样本不均衡问题。实验结果表明,与YOLOv7-tiny相比,RDD-YOLO算法在仅增加0.71×10^(6)参数量和1.7 GFLOPs计算量的成本下,mAP50提高6.19个百分点,F1-Score提高5.31个百分点,并且检测速度达到135.26 frame/s,满足道路养护工作中对检测精度和速度的需求。

关键词：道路病害检测加强特征提取 YOLOv7-tiny 小目标类别数量不平衡

基于深度学习的多视图雷达图谱道路病害检测算法

在线全文

学校读者我要写书评

暂无评论

基于深度学习的多视图雷达图谱道路病害检测算法

作者：莫佳笛浙江大学

学位级别：硕士

随着城市化的推进,交通基础设施逐步改善,我国设计并建造了多种道路以满足不同的地理和用途需求。但是长期使用后,自然环境因素和人为因素容易导致道路受损从而出现各种病害问题。这不仅会降低驾驶的舒适性,而且长期积累和未及时修复还... 详细信息

随着城市化的推进,交通基础设施逐步改善,我国设计并建造了多种道路以满足不同的地理和用途需求。但是长期使用后,自然环境因素和人为因素容易导致道路受损从而出现各种病害问题。这不仅会降低驾驶的舒适性,而且长期积累和未及时修复还会造成安全隐患。因此,及时检测道路病害问题变得尤为重要。三维探地雷达凭借其识别道路结构内部状况的能力,是目前常见的道路状况检测手段之一。然而,由于道路数量众多,三维探地雷达采集的图谱数据成像复杂,传统的人工识别方法效率低下且耗时长。目前,雷达图谱道路病害检测领域的重点是使用自动检测作为人工检测的替代方法。雷达图谱数据包含多视图信息,现有研究通常仅考虑某一方向上的雷达剖面信息,难以充分利用多视图数据。同时,深度学习算法中模型参数的训练往往需要大量已标注的样本数据,样本数据量的大小决定了模型的优劣。然而,带标注的雷达剖面数据的稀缺严重限制了相关研究的发展。因此,雷达数据的多输入特征和标注稀缺性是基于雷达图谱数据的道路检测研究领域遇到的重要挑战。因此,分析雷达图谱数据中存在的多视图输入、不均衡的数据分布、无关干扰信息多、样本数量少这四个特性后,本文基于注意力融合和知识蒸馏提出一种多视图道路病害检测的两阶段模型。为了在样本数量较少的情况下充分利用多视图雷达数据的多输入特征,本文提出了基于注意力融合的双塔模型(Dual-AttFusioNet),通过深度学习进行自动特征提取以实现自动检测道路病害类别。首先,对数据进行有效预处理,并且使用上采样、数据增强等方法平衡、扩充数据集。然后,结合通道间注意力机制和视图间注意力机制实现高效精准的道路病害的端到端检测与识别。为了进一步提高模型在道路检测设备中的实际应用能力,降低硬件成本并加快判定速度,本文使用知识蒸馏技术对注意力融合双塔模型进行蒸馏以训练参数量较少且浅层的模型轻量化稠密连接网络(DenseNet-63)和轻量化卷积神经网络(CNN-6)。实验结果表明,本文提出的模型仅使用较少的参数和计算,在原始数据集和增强数据集上都能达到较高的精度。

关键词：道路病害检测三维探地雷达注意力机制知识蒸馏