基于加强特征提取的道路病害检测算法

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。

基于改进YOLOv3的小尺度车辆目标检测算法

针对交通卡口车辆目标检测时,距离卡口相机相对较远的小目标车辆检测结果存在误检、漏检、精度低等问题,提出对原始YOLOv3目标检测模型的加强特征提取网络层进行增加的改进方法,并将YOLOv3原始损失函数进行优化,动态地调整不同尺度检测框的比重。在6组不同像素数据集上进行了模型择优对比实验,实验结果表明:特征提取层设定为5层的YOLOv3-5L模型,随着图像分辨率的提升,在收敛速度与小目标检测精度方面都取得了最优的效果,在2400×2400像素下,YOLOv3-5L模型的平均精确值达到了96.5%,比原始YOLOv3网络提升了2.0%。