改进YOLOv8的路面病害检测模型

针对路面病害检测存在的病害尺度差异大、细小病害特征提取难、病害在图像中占比小等问题,提出一种基于改进YOLOv8的路面病害检测方法。以YOLOv8s网络结构为基础,通过引入通道注意力机制和无跨步卷积网络结构,构建了一种无信息丢失的下采样网络模块,在剔除背景冗余信息的同时更多地保留了病害纹理特征;通过构建基于PANet的多尺度自适应特征融合网络,增强了网络浅层特征捕获能力,实现了不同尺度特征信息的高效融合;采用Focal Loss损失函数,对各样本赋予对应的权重,缓解了正负样本不平衡问题。实验表明:所提方法在RDD2020和RDD2022数据集上的平均精度分别达到57.1%和52.8%,与YOLOv8s模型相比分别提升3.2和0.6个百分点,整体性能优于YOLOv5等其他检测网络。

内容感知的可解释性路面病害检测模型

针对实际场景中高分辨路面图像难以直接作为现有卷积神经网络(convolutional neural network,CNN)的输入、现有预处理及下采样算法无法有效感知并保留原始路面图像中低占比的病害区域信息等问题,借助于可视化解释的技术手段,设计了一种即插即用的图像内容自适应感知模块(adaptive perception module,APM),既平衡了高分辨路面图像与CNN输入限制,又能够自适应感知激活前景病害区域,从而实现高分辨路面图像中病害类型的快速准确检测,构建可信路面病害视觉检测软件系统.APM利用大卷积核和下采样残差操作降低原始图像分辨率并获取图像浅层特征表示;通过注意力机制自适应感知并激活图像中路面病害区域信息,过滤无关的背景信息.利用联合学习的方式,无需额外监督信息完成对APM的训练.通过可视化解释方法辅助选择和设计APM的具体结构,在最新公开数据集CQUBPMDD上的实验结果表明:APM相比于现有的图像预处理采样算法均有明显提升,分类准确率最高为84.47%;在CQU-BPDD上的实验结果及APM决策效果可视化分析表明APM具备良好的泛化性与鲁棒性.实验代码已开源:https://github.com/Li-Ao-Git/apm.

重参数化YOLOv8路面病害检测算法

路面病害检测是保障人民交通安全的重要方式,为了提高路面病害检测的准确率,实现及时、精准的路面病害检测,提出了一种重参数化YOLOv8路面病害检测算法。在主干网络引入CNX2f模块,提高网络对路面病害特征的提取能力,有效解决路面病害特征与背景环境特征易混淆问题;引入RepConv和DBB重参数化模块,增强多尺度特征融合能力,解决路面病害尺度差异较大问题;改进头部采用共享参数结构,并引入RBB重参数模块,解决头部参数冗余问题,并提高特征提取能力;引入SPPF_Avg模块,解决路面病害特征丢失问题,丰富多尺度特征表达。实验结果表明,改进后的路面病害检测网络精度为73.3%、召回率为62.3%、mAP为69.3%,较YOLOv8网络分别提高了2.6、3.0、2.8个百分点,提高了模型的检测效果。

一种基于改进YOLOv8的轻量化路面病害检测算法

路面病害检测是实现道路损伤修复、确保行车安全的关键任务。针对现有路面病害检测算法精度低、成本高、模型参数大及难以应用于移动终端设备等问题,提出了一种基于改进YOLOv8n模型的轻量级检测算法YOLOv8n-GSBP。首先,通过在骨干网络引入C2f-GhostNetv2模块保证检测精度并实现了模型轻量化,同时在SPPF模块后加入SimAM注意力机制模块,增强了网络对路面病害特征提取与背景环境特征区分的能力;其次,通过在颈部网络更换BiFPN结构增强模型多尺度特征融合能力,提升精确度和鲁棒性的同时解决了路面病害尺度差异较大问题;最后,基于参数共享原理改进检测头,并引入空间通道重建卷积模块SCConv,实现了检测头的轻量化,降低了模型参数和计算量。在RDD2022数据集上的实验结果表明,YOLOv8n-GSBP路面病害检测方法相较于YOLOv8n网络mAP50虽只提高了0.3%,但参数量降低了55.6%、计算量大幅度降低至36.7%,实现了对道路病害的实时准确检测。通过与其他主流目标检测算法的对比,进一步验证了算法的有效性和优越性。

一种基于YOLOX优化的轻量级路面病害检测方法

受限于小型嵌入式设备以及移动设备等有限的计算资源,大型网络模型难以部署在此类应用场景中.为了解决该问题,基于YOLOX提出一种高效的路面病害识别模型.首先,将YOLOX主干网络替换为优化后的GhostNet来减少网络计算参数,并参考基于卷积块注意力机制兼顾空间和通道方向上自适应调整信息的优势,构建DAM(Dimensional Attention Model)代替GhostBottleneck模块中的SE模块,从而充分利用有限的网络容量进行强化特征学习;其次,提出DFM(Deep Fusion Model)模块来改进PANet并以此对高低特征层进行深度融合,获取更加丰富的特征信息来提高检测能力;再次,采用Complete-IoU Loss来拟合更加准确的检测框位置,减少方向误判的同时提高了检测效率;最后,引入Image-Multitasking数据增强方法来强化目标图像任务性,提高了网络的泛化能力和鲁棒性.在RDD2020数据集上进行模型对比,实验表明,改进后的GhostNet-YOLOX网络的mAP达到84.05%,高于现有的YOLOX-s(即66.26%),模型参数量缩小至14.53 MB,小于YOLOX-s(即34.21 MB),同时实际检测视频的帧数达到了26 p·s^(-1),提高了5.88 p·s^(-1),检测实时性显著提高.

有雾场景下的道路路面病害检测算法

针对有雾场景下的道路病害数据集较少,导致基于深度学习的目标检测模型在有雾场景下的道路病害检测过程中出现的过拟合、低鲁棒性和低准确率等问题,提出一种基于AECR-YOLOv5融合机制的雾天路面病害检测算法。首先,根据道路路面病害的特性,设计一种以病害类别为判别依据的数据集扩充方法,并以此方法获得扩充训练集;同时,使用大气散射模型将清晰图与双边滤波处理后的深度图进行合成,从而增强合成雾图的可信性。然后,根据任务依赖不定性对去雾网络和检测网络的损失函数进行加权融合,获得耦合损失函数,促进两者的有效融合;最后,通过改变输入和网络结构进行实验,结果表明,输入为扩充雾图训练集且网络结构为AECR-YOLOv5融合模型时,其在测试集上的mAP均高于其他组合方式。

基于深度学习算法的路面病害检测技术研究

为研究基于深度学习算法的路面病害检测技术,建立路面病害改进检测模型,并通过所选数据集对该改进模型的有效性进行测试。通过对路面病害检测速度和精度的优化,提高了检测路面病害的准确度。测试结果表明,对于不同数据集,改进YOLO模型下的召回率Re、准确率Pr以及平衡F分数F1三个参数较原始模型均有所提高,验证了改进YOLO模型的优越性。但准确率的提高可能会导致召回率的降低,召回率的提高也可能会导致误诊率的增加。对于不同的应用场景,需要结合具体情况来评估召回率和准确率的重要性,并进行模型调优。

公路项目路面病害检测技术与预防性养护探究

本文主要研究公路项目路面病害检测技术与预防性养护。在介绍路面病害检测技术以后分析了常见的路面病害,接着讨论了针对这些病害的治理方法,最后介绍了封层类、罩面类和就地热再生类路面预防性养护技术。研究结果表明,地基系数检测法、声波检测、数字钻孔成像检测技术和高密度电阻率成像技术是可靠的路面病害检测方法,能够准确评估路面病害的性质和程度。路面裂缝、路面坑槽、路面磨损和路面起拱是常见的路面病害,需要及时治理以保障公路的安全和可靠性。在治理方面,补洞、修补裂缝、覆盖新材料和重新铺设路面等方法是常用的手段。封层类、罩面类和就地热再生类路面预防性养护技术在延长路面使用寿命和提高路面性能方面具有重要作用。

改进YOLOv7的沥青路面病害检测

针对传统卷积网络对沥青路面病害检测时存在的检测精度低、定位不准等问题,提出一种基于改进YOLOv7的沥青路面病害检测算法。针对激光图像的成像特征,使用组合滤波-三直方图均衡化算法弱化背景环境干扰;使用K-means++聚类算法进行初始锚框设置来加快模型收敛速度;然后将多头自注意力机制与最大池化层结合代替模型主干框架中部分卷积层,提高卷积网络对于目标物全局特征学习能力;使用漏斗激活函数F-ReLU作为主干网络中的激活函数以扩大卷积层的感受野范围;最后使用A-SIOU损失函数优化模型边界框回归,加快模型收敛的同时提高训练精度。实验结果表明,改进后的检测算法对病害检测的平均精度均值、精确率和召回率相较原网络提升了7.7、9.4与5.8个百分点,具有较好的识别精度。在实际工程应用中,对各路段的路面状况指数的计算偏差均小于1%,对推进路面病害的智能化检测具有重要意义。

基于BEMD和KELM的路面病害检测算法

受外界环境以及道路材料本身影响,路面会出现破损。尽管裂缝是路面破损的首要表现形式,但是其他类型病害仍然占重要比重。针对传统路面病害检测算法对常见线性裂缝分类准确度较高但对车辙、松散等复杂病害识别效果一般且适应性较差的问题,提出一种基于二维经验模态分解(BEMD)与核极限学习机(KELM)相结合的复杂路面病害识别方法。该方法首先采用二维经验模态分解对路面病害图像进行筛分,然后结合主成分分析法对分解后得到的固有模态分量进行降维,最后将上述得到的新特征输入到核极限学习机中进行训练。实验结果表明该算法对复杂病害有较高的识别率,其中松散病害识别率为95.6%,车辙病害识别率为92.1%,坑洼病害识别率为96.9%,网状裂缝识别率为97.3%,与传统脉冲耦合卷积神经网络相比,该算法提高了约9.85%。

无损技术在水泥混凝土路面病害检测中的应用分析

近些年来,我国经济呈现出突飞猛进的发展之势,而这就为人民群众的日常生活与工作提供了诸多便利。水泥混凝土路面工程作为交通工程的重要组成部分,其建设质量无疑十分关键。就目前来看,我国水泥混凝土路面工程项目逐年攀升,且路面通行量相对较大,所承担的荷载也相对较大。在上述因素的影响之下,城市道路路面的通行存在着较大的压力,而这就使得部分水泥混凝土路面出现了不同程度的病害,从而对人民群众的出行构成了安全威胁。在这种情况下,我国相关部门应当充分发挥自身的作用,实现对水泥混凝土路面的监控,组织相关单位实现对路面病害的有效检测,只有这样才能让后续的治理作业得到信息支持。因此,应当引入先进、科学的技术手段来达成对水泥混凝土路面病害的检测。同时,在检测时还应当注意减少对水泥混凝土路面病害的损害,而这也就使得相关的无损技术得到了飞速发展。无损技术指的是不会对水泥混凝土路面造成损害的检测技术。相关单位加强对无损技术的运用,能够在保障检测结果精确性的前提之下实现对水泥混凝土路面的零损害。基于此,本文将以无损技术作为研究对象,分析其在水泥混凝土路面病害检测中的应用,旨在提升我国水泥混凝土路面病害检测工作的效率、质量。

路面病害检测系统中的图像增强技术

为了提高路面病害检测系统的精度和自适应能力,研究了自动路面裂缝图像增强技术。针对图像每个像素建立由邻域一致性模糊熵测度、邻域模糊方差以及全局模糊隶属度组成的模糊特征模式对所有像素进行分类,实现对像素灰度渡越点位置的准确估计;在模糊隶属度函数设计上,利用修改控制顶点和权因子可局部地修改曲线形状的功能,通过非均匀有理B样条函数设计出一种双"S"形模糊隶属度函数作为灰度变换函数。提出的路面裂缝图像增强技术中的灰度变换函数不仅能和渡越点的位置很好地结合,而且其形状调节因子具备良好的灰度集中能力,仅需很少次数迭代增强就能达到突出路面裂纹的效果。实验结果显示,利用提出的图像增强技术可使路面裂缝病害像素正确检测率达到95%,该技术很大程度地提高了路面裂缝自动检测系统的可靠性和检测精度。

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network,PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss,AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks,Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。

基于探地雷达技术的路面病害检测研究

公路病害检测是公路维修和养护的重要依据。虽然常规的钻芯取样法可以达到路面检测的目的,但是这种方法检测结果不全面且对路面破坏较大。探地雷达作为一种高效的无损检测技术,为公路病害的无损检测提供了可能性。文章首先介绍了探地雷达的基本工作原理。在此基础上讨论了路面反射裂缝、沉陷和路面不均匀等病害对探地雷达图像结果的影响。最后,依据病害对探地雷达图像结果的影响和探地雷达检测结果,成功分析了某段高速公路路面病害的类别和成因。

国内基于深度学习的道路路面病害检测研究综述

道路路面病害检测和提取算法已经得到了广泛的研究,但是传统的图片自动识别技术在面对复杂的道路场景上尚存在诸多的局限。近年来,随着深度学习在图像识别领域取得了较多突破,国内诸多学者开始尝试将这一先进的工具应用于道路路面病害识别。典型的道路路面病害识别包括图像预处理、病害特征提取、病害分类和结果输出等。

基于Swin Transformer的沥青路面病害分类检测研究

针对传统卷积神经网络模型在沥青路面病害检测中识别长距离裂缝结构能力不足以及面临的精度局限问题,引入Swin Transformer模型进行沥青路面病害分类研究;首先对于路面检测车采集到的沥青路面扫描图像对比度低的问题,使用直方图均衡技术处理图像,增加图像可视化效果;其次,选取3种经典卷积神经网络模型作为对比模型,并在训练过程中采用更换损失函数,调整预训练模型等手段解决过拟合问题;并选用准确率、查全率、F1-score作为评价指标;在最终实验结果中Swin Transformer识别准确率达到了80.6%,F1-score达到了0.776,不仅在整体分类准确率上超越了传统CNN模型,并且对具有长距离特征结构的病害方面具有更高的识别准确率,同时具有良好的可靠性。

基于多分支深度学习的沥青路面多病害检测方法

为了准确、快速地识别路面多病害,采用一种基于多分支框架的深度学习方法,提取并融合路面图像的大、小尺度特征,将路面二维图像和三维图像作为网络输入,增强病害特征.采集裂缝、条状修补、块状修补、坑槽、松散等沥青路面病害图像共计10 562张,进行人工标注.结果表明:500次训练后该方法的平均交并比为0.83,准确率和召回率的调和平均数F值为0.90,优于U-net、PSPNet、DeepLabv3+等方法;在单一类别上,对条状修补、坑槽、松散、桥接缝等分割效果最优,对裂缝、块状修补的识别展现出较强的鲁棒性;所提方法的识别效果高于仅使用单一输入或者单一分支的方法.因此,双通道和多分支的设计方法可以显著提升网络对多类别路面病害的识别精度.

考虑低光照场景的自适应路面病害检测模型

为提升低光照环境下路面病害识别模型的精确度与鲁棒性,提出了一种考虑低光照场景的自适应路面病害检测模型。将采集的数据按照亮度分成低光照图像和正常光照图像2类,随后对低光照图像进行自适应增强,并接入路面病害检测流程。为解决现有光照增强图像失真的问题,在Zero-DCE++基准模型上引入光照约束网络,提出了光照增强模块Zero-DCE-Retinex。在此基础上,以提升路面病害检测精度为核心需求,提出了以病害识别模型为驱动的光照增强模块训练策略。具体的,在训练过程中,将病害识别模型嵌入光照增强模块,并通过损失函数来引导光照增强模块的训练。试验结果表明:当使用所提模型对低光照图像进行增强后,再经过YOLOv7模型进行检测,比直接输入低光照图像的方式,AP指标提升了7.04%,F1-score指标提升了11.22%;图像质量亦得到进一步改善,表现在图像信息熵、标准差和平均梯度的提升分别为0.62、13.24和21.61。与同类无监督光照模型相比,所提模型在目标检测任务的AP和F1-score提升方面显著优于其他模型,同时有效避免了增强结果出现色彩失真和过度曝光等问题。因此,提出的模型可广泛适用于复杂道路光照场景,拓展了现有病害检测模型的应用环境,具有重要的工程应用价值。

基于深度学习的城市道路沥青路面病害智能检测仿真实验

为提高城市道路沥青路面病害检测精度,提出一种基于深度学习的智能检测方法。方法以Faster R-CNN网络为基础检测模型,通过对采用拟合值填充方式优化Faster R-CNN网络卷积层,提升网络对目标检测的准确性,实现了Faster R-CNN网络的改进;然后利用改进后的Faster R-CNN网络对城市道路沥青路面病害进行检测,实现了沥青路面病害的智能检测。仿真结果表明,所提的改进Faster R-CNN网络可有效检测城市道路沥青路面坑槽、裂缝病害,且具有较高的检测精度,平均精确度的均值达到为90.26%。相较于标准Faster R-CNN网络和ResNet、U-Net目标检测算法,在平均精确度的均值和单张图像的检测速度指标上具有明显优势,可用于实际城市道路沥青路面病害检测。