复杂环境下路面病害识别模型优化研究

路面病害自动化检测是道路工程领域的热门研究方向。路面病害因其形态的特殊性与背景的复杂性,导致自动化检测存在精度不够高、泛化性差的问题。针对该现象,基于YOLOv5对主干网络和颈部网络中增加高效的特征提取模块C2F和CBAM,且在检测头网络中增加了微型检测器,形成了优化网络结构;通过车载高清相机自主采集大量具备复杂背景的路面图像,共标记67942张路面图像以供模型训练,并且采用Mosaic算法和MixUP算法对自建路面病害数据集进行了数据增强;在训练时优化损失函数。最后通过设置消融实验和对比实验来探究模网络优化措施对路面病害检测模型的精度影响。研究结果表明,应用C2F、CBAM模块能够有效帮助网络提高特征提取能力,增加微型检测头能够在多尺度下加强模型的检测能力,采用以上3种措施优化后的网络模型在精准率和召回率上提升了11.88%和8.69%,mAP取得了0.719的高分。从病害类别角度而言,模型对纵向裂缝、横向裂缝和坑槽提升了检测精度,尤其是坑槽的检测精度。表明了本文模型在识别路面病害类小尺度的对象时具备优异的检测能力。