文摘由于桥梁裂缝图像具有分布不规则、缝宽较小、背景像素比例较高等特性,为提高其检测精度和速度,提出了一种改进的YOLOv4算法,优化原主干网络CSPDarkNet53为EfficientNet B7网络以增强特征学习能力,并使用深度可分离卷积代替标准卷积,在提升模型运行效率的同时,也提高了其检测精度和准确率.并通过平移、旋转等数据增强方法将数据集正负样本扩增至6371张,增强了网络的拟合效果和泛化能力.实验结果表明:YOLOv4-EfficientNet B7的均值平均精度(Mean Average Precision,mAP)为80.11%,比YOLOv4的高出3.85%;检测精确率(precision)为80.13%,召回率(recall)由74.34%提升至78.63%,F1值(F1-score)高达80.61%,提高了2.94%;相较于原YOLOv4算法,检测精确率提高了1.86%,召回率增长了4.29%;与其他主流的裂缝检测算法相比,本算法在mAP和召回率上都有了显著提升,实现了精确检测桥梁裂缝的目的.
