检索结果-维普期刊中文期刊服务平台

DSACNet:改进YOLOX的雾天条件下道路缺陷检测被引量：1: 1; 作者陈里里蒋晓红 +1 位作者张杰丁怡文《重庆交通大学学报(自然科学版)》北大核心 2025年第2期53-60,共8页; 针对在雾天条件下道路图像质量被破坏,使得检测困难的问题,提出了改进YOLOX的检测算法DSACNet。DSACNet采用YOLOX作为检测模块,设计了一个类似编码-解码(encoder-decoder)的重构模块,利用特征重构模块与检测网络共享重构网络产生的干净... 展开更多; 关键词道路工程计算机技术道路缺陷检测自注意机制; 在线阅读下载PDF 职称材料

针对多尺度和小目标的道路缺陷检测模型: 2; 作者李咏然臧兆祥唐庭龙《电子测量与仪器学报》北大核心 2025年第8期30-41,共12页; 针对复杂道路场景中多尺度和形变道路缺陷检测的难题,提出一种改进的YOLOv8n道路缺陷检测模型DMS-YOLO(dynamic multi-scale YOLO)。首先,设计自适应上下文感知特征金字塔网络,实现多尺度特征的全局融合与动态加权,显著提升了模型对复... 展开更多; 关键词道路缺陷检测 YOLOv8n 特征金字塔网络可变形卷积损失函数; 在线阅读下载PDF 职称材料

基于改进YOLOv8的道路缺陷检测: 3; 作者王晓雯于骐瑞常居泰《电子测量技术》北大核心 2025年第14期154-161,共8页; 针对目前道路缺陷检测模型在复杂背景下检测精度不高、计算复杂度高、错检漏检率高的问题,本文基于YOLOv8模型进行了改进。首先,在模型的特征提取网络(Backbone)中融入EMA注意力机制,提高模型的特征表示能力,同时保留重要信息、减少计... 展开更多; 关键词道路缺陷检测 YOLOv8 注意力机制 Slide Loss; 在线阅读下载PDF 职称材料

DB-YOLO:特征增强融合的双骨干YOLOv8道路缺陷检测模型被引量：6: 4; 作者叶发茂张立 +1 位作者袁燎李大军《计算机工程与应用》 CSCD 北大核心 2024年第24期260-269,共10页; 虽然已经提出了许多基于深度学习的道路缺陷检测方法,但这些方法通常忽略了一些道路缺陷检测任务中非常重要的道路缺陷相关的边缘特征信息。为了充分利用这些边缘特征信息,提出了一种改进的双骨干YOLOv8模型(dual backbone YOLOv8 model... 展开更多; 关键词道路缺陷检测 YOLOv8 双骨干特征增强融合模块注意力机制; 在线阅读下载PDF 职称材料

D3F-DET:轻量化多尺度融合的路面缺陷检测算法被引量：1: 5; 作者贾翔宇张永宏 +2 位作者阚希朱灵龙李旭《计算机工程与应用》北大核心 2025年第17期159-170,共12页; 针对当前道路缺陷检测算法检测精度低、漏检误检率高、泛化能力欠佳的问题,提出了一种改进的轻量化检测模型,模型包含三种核心模块:轻量化双分支动态融合网络、动态重排列自注意力机制和跨分支交叉特征融合金字塔架构。轻量化双分支动... 展开更多; 关键词道路缺陷检测目标检测轻量化网络深度学习 RT-DETR; 在线阅读下载PDF 职称材料

题名DSACNet:改进YOLOX的雾天条件下道路缺陷检测被引量：1: 1; 作者陈里里蒋晓红张杰丁怡文; 机构重庆交通大学机电与车辆工程学院北京中关村科金技术有限公司; 出处《重庆交通大学学报(自然科学版)》北大核心 2025年第2期53-60,共8页; 基金重庆市技术创新与应用发展专项重点项目(CSTB2022TIAD-KPX0075) 交通工程应用机器人重庆市工程试验室2020年度开放课题(CELTEAR-KFKT-202003) 重庆市社会事业与民生保障科技创新专项项目(cstc2017shmsA30016)。; 文摘针对在雾天条件下道路图像质量被破坏,使得检测困难的问题,提出了改进YOLOX的检测算法DSACNet。DSACNet采用YOLOX作为检测模块,设计了一个类似编码-解码(encoder-decoder)的重构模块,利用特征重构模块与检测网络共享重构网络产生的干净特征,使检测网络能够更好地学习到雾天图像中的隐藏特征,从而帮助DSACNet提高在恶劣天气条件下的检测能力;引入了自注意力机制、自校准卷积来提高特征提取能力,加入focal loss解决目标检测任务中正负样本之间的不平衡问题。结果表明:提出的DSACNet采用端对端的训练方式能够同时执行雾天图像恢复和目标检测,并采用联合优化的策略将二者进行联合,让目标检测网络能够获得恢复网络探索的隐藏特征,更利于雾天情况下的道路缺陷检测;相较于原始模型YOLOX,平均精度均值达到93.5%,提高了14%,并且优于其他主流的目标检测算法,满足了道路表面缺陷检测对精度的要求。; 关键词道路工程计算机技术道路缺陷检测自注意机制; Keywords highway engineering computer technology road defect detection self_attention mechanism; 分类号 U416 [交通运输工程—道路与铁道工程] TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名针对多尺度和小目标的道路缺陷检测模型: 2; 作者李咏然臧兆祥唐庭龙; 机构三峡大学水电工程智能视觉监测湖北省重点实验室三峡大学计算机与信息学院昆明理工大学信息工程与自动化学院昆明理工大学云南省人工智能重点实验室; 出处《电子测量与仪器学报》北大核心 2025年第8期30-41,共12页; 基金国家自然科学基金(61502274)项目资助。; 文摘针对复杂道路场景中多尺度和形变道路缺陷检测的难题,提出一种改进的YOLOv8n道路缺陷检测模型DMS-YOLO(dynamic multi-scale YOLO)。首先,设计自适应上下文感知特征金字塔网络,实现多尺度特征的全局融合与动态加权,显著提升了模型对复杂缺陷的感知与表达能力,与现有主流特征金字塔网络相比,在精度和计算效率上表现出一定优势。其次,提出自适应多尺度动态检测头,采用可变形卷积(DCNv3)提升模型对复杂形状特征的捕捉能力,并设计协同注意力机制融合尺度和任务注意力,增强模型对多尺度信息的理解。最后,利用Focaler-IoU思想改进CIoU损失函数,提高对小目标的检测能力。实验结果表明,在减少计算量的基础上,DMS-YOLO模型在RDD2022数据集上mAP@0.5达到了87.9%,较原来的基准模型提高了3%,同时参数量为3.67×10^(6),计算量为8 GFLOPs,模型体积仅有7.3 MB,具备轻量化特性和易部署性。同时,在SVRDD数据集上,DMS-YOLO在各项性能指标上均有提升,进一步验证了所提模型具有较好的泛化性和鲁棒性。与其他主流模型和最新检测算法相比,DMS-YOLO的综合指标均表现优异,对道路缺陷检测具有实际应用意义。; 关键词道路缺陷检测 YOLOv8n 特征金字塔网络可变形卷积损失函数; Keywords road defect detection YOLOv8n characteristic pyramid network deformable convolution loss function; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术] TN911.73 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于改进YOLOv8的道路缺陷检测: 3; 作者王晓雯于骐瑞常居泰; 机构山西大学物理电子工程学院; 出处《电子测量技术》北大核心 2025年第14期154-161,共8页; 基金山西省基础研究计划项目(202203021222016)资助。; 文摘针对目前道路缺陷检测模型在复杂背景下检测精度不高、计算复杂度高、错检漏检率高的问题,本文基于YOLOv8模型进行了改进。首先,在模型的特征提取网络(Backbone)中融入EMA注意力机制,提高模型的特征表示能力,同时保留重要信息、减少计算成本;其次,将轻量级的特征融合网络结构SlimNeck与加权特征融合机制Weighted Fusion结合构成新的颈部网络结构SWNeck,有效降低模型参数量与计算复杂度,提高特征融合效率,减少噪声的特征冗余;最后,引入Slide Loss权重函数,给难以正确分类的样本赋予更大的权重,提高模型对于道路缺陷中的难样本数据的学习能力,进一步增强模型检测性能。实验结果表明,改进后的道路缺陷检测模型相较于原YOLOv8n模型mAP提高2.7%,模型参数量、计算量分别降低7%和10%。; 关键词道路缺陷检测 YOLOv8 注意力机制 Slide Loss; Keywords road defect detection YOLOv8 attention mechanisms Slide Loss; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术] TN919.8 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名DB-YOLO:特征增强融合的双骨干YOLOv8道路缺陷检测模型被引量：6: 4; 作者叶发茂张立袁燎李大军; 机构东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室东华理工大学测绘与空间信息工程学院; 出处《计算机工程与应用》 CSCD 北大核心 2024年第24期260-269,共10页; 基金国家自然科学基金(42461054) 江西省水利厅科技计划(202124ZDKT11) +1 种基金自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室项目(MEMI-2021-2022-22)。; 文摘虽然已经提出了许多基于深度学习的道路缺陷检测方法,但这些方法通常忽略了一些道路缺陷检测任务中非常重要的道路缺陷相关的边缘特征信息。为了充分利用这些边缘特征信息,提出了一种改进的双骨干YOLOv8模型(dual backbone YOLOv8 model,DB-YOLO)用于道路缺陷检测。设计了边缘特征提取模块(edge feature extraction model,EFEM)用于过滤图像低频信息,提取图像高频边缘信息。设计了双骨干网络来提取特征,在原模型基础上增加一个边缘特征骨干网络(edge feature backbone,EFB),对EFEM提取的图像高频边缘信息进行处理,提取边缘特征,为道路缺陷检测提供更丰富的特征。提出了一种新的特征增强融合模块(feature enhancement fusion module,FEFM)用于融合各种特征,并采用多个FEFM模块将边缘特征、不同级别的图像特征进行有机融合。引入Label smoothing策略减弱了数据集中标签质量的影响,增强了模型的泛化能力,进一步提升模型的检测精度。实验结果表明,在GRDDC2020数据集上,DB-YOLO_v8s的mAP和F1分别取得56.42%、56.13%,较YOLO_v8s分别提升了1.3和1.96个百分点,检测速度达到了64.94帧/s,满足实时检测要求。此外,DB-YOLO_v8s在官方测试集Test_1和Test_2上的F1分数分别为58.79%和58.52%,与其他方法相比,在两个测试数据集中F1分别高了0.65和1.37个百分点。因此,提出的模型可以提升道路缺陷检测精度。; 关键词道路缺陷检测 YOLOv8 双骨干特征增强融合模块注意力机制; Keywords road defect detection YOLOv8 dual backbone feature enhancement fusion module attention mechanism; 分类号 U418.6 [交通运输工程—道路与铁道工程] TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名D3F-DET:轻量化多尺度融合的路面缺陷检测算法被引量：1: 5; 作者贾翔宇张永宏阚希朱灵龙李旭; 机构南京信息工程大学自动化学院南京信息工程大学江苏省大气环境与装备技术协同创新中心无锡学院物联网工程学院; 出处《计算机工程与应用》北大核心 2025年第17期159-170,共12页; 基金国家自然科学基金(42175157,42475151,42305158) 无锡市“太湖之光”科技攻关计划(基础研究)(K20231021)。; 文摘针对当前道路缺陷检测算法检测精度低、漏检误检率高、泛化能力欠佳的问题,提出了一种改进的轻量化检测模型,模型包含三种核心模块:轻量化双分支动态融合网络、动态重排列自注意力机制和跨分支交叉特征融合金字塔架构。轻量化双分支动态融合网络通过在双分支主干间共享信息,减少参数量的同时实现了特征空间的高效融合;动态重排列自注意力机制提供动态范围内的自适应特征聚合,显著提高了对动态范围变化目标的检测精度;跨分支交叉特征融合金字塔架构采用双向特征交互,增强了全局语义信息和局部细节特征的融合能力。实验结果表明,该模型在NRDD-2024数据集上的mAP@0.5达到了77.2%,对比最新的实时目标检测器RT-DETR参数量降低了29.63%,计算量降低了40.35%,精度提升了2个百分点,热力图对比显示模型可以给予更合适的注意力,同时对于新数据集展现出良好的泛化能力,为嵌入式设备上的实时路面缺陷检测提供了高效可靠的解决方案。; 关键词道路缺陷检测目标检测轻量化网络深度学习 RT-DETR; Keywords road defect detection target detection lightweight networks deep learning RT-DETR; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	DSACNet:改进YOLOX的雾天条件下道路缺陷检测	陈里里蒋晓红张杰丁怡文	《重庆交通大学学报(自然科学版)》北大核心	2025	1	在线阅读下载PDF 职称材料
2	针对多尺度和小目标的道路缺陷检测模型	李咏然臧兆祥唐庭龙	《电子测量与仪器学报》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于改进YOLOv8的道路缺陷检测	王晓雯于骐瑞常居泰	《电子测量技术》北大核心	2025	0	在线阅读下载PDF 职称材料
4	DB-YOLO:特征增强融合的双骨干YOLOv8道路缺陷检测模型	叶发茂张立袁燎李大军	《计算机工程与应用》 CSCD 北大核心	2024	6	在线阅读下载PDF 职称材料
5	D3F-DET:轻量化多尺度融合的路面缺陷检测算法	贾翔宇张永宏阚希朱灵龙李旭	《计算机工程与应用》北大核心	2025	1	在线阅读下载PDF 职称材料