改进YOLOv5的路面裂缝检测模型研究

针对传统的路面裂缝检测方式耗时耗力、成本高、主观性强等问题,提出了一种基于YOLOv5的路面裂缝检测模型YOLOv5-Crack。首先在主干部分处引入坐标注意力机制并优化成CA-plus结构以提高裂缝特征关注度;其次提出一种全新的特征融合网络ESPP,降低部分计算量的同时提升特征融合能力;然后,在颈部网络中使用重影混洗卷积替代传统卷积,尽可能保持通道语义信息的同时降低计算成本;最后,整体引入SIoU损失函数提升回归精度。为验证改进模型YOLOv5-Crack的有效性,在数据集GRDDC 2020上进行对比实验,结果表明其F1分数分别为58.43%和58.21%,与原YOLOv5模型相比分别提升了4.05%和3.93%,并且降低了7.8 GFLOPs的计算量,FPS达到37.9,有效解决了路面裂缝检测的弊端;同时与主流目标检测算法相比,所提出的YOLOv5-Crack模型在路面裂缝检测方面更具有优越性。