改进YOLOv8的道路缺陷检测算法

道路在长期使用后路面会出现各种缺陷,未能及时侦测和修补这些缺陷可能严重缩短道路寿命并危害行车安全。因此,道路缺陷的即时检测是一项重要的任务。传统的检测方法存在检测速度慢,成本要求高的问题。为了解决这些问题,在YOLOv8的基础上提出了一种名为DML-YOLO新型道路检测算法,该算法在主干网络中加入MPCA(MultiPath coordinate attention)注意力机制,提高主干网络的特征提取能力,在此基础上提出了C2f-MPDC模块,动态调整感受野,提高检测能力;重新设计了网络的颈部结构,提出新的特征融合金字塔结构DFPN(diver-sity feature pyramid network),减小模型的体积并融合低层的特征图获得丰富的细节信息,提高检测小目标的成功率;设计一种轻量级共享卷积检测头(LSCD head),减少模型尺寸,提高检测效率。大量实验结果表明,DML-YOLO在RDD2022数据集和VOC2007数据集上平均检测精度mAP@0.5分别为89.6%和73.6%,优于其他测试模型,并且参数量和计算量相较于YOLOv8模型分别减少了32.37%和14.49%,更加适合部署在嵌入式系统、移动设备等计算资源受限和边缘计算的场景。