-
题名改进YOLOv7-Tiny的道路裂缝检测算法
被引量：3
- 1
-
-
作者
王启涵
刘超
-
机构
江苏大学电气信息工程学院
-
出处
《计算机工程与应用》
北大核心
2025年第10期372-380,共9页
-
基金
江苏省“六大人才高峰”项目(XXRJ-012)。
-
文摘
道路裂缝检测是道路工程中的重要环节。针对现阶段道路裂缝检测算法中准确度低、效率低的问题,提出了一种基于YOLOv7-Tiny的轻量型道路裂缝检测算法YOLOv7-TPSF。引入部分卷积PConv,对原网络中耗参量较多的3×3卷积层进行部分替换,降低模型的参数量,提升模型的训练速度;结合特征融合网络BiFusion Neck与加权特征金字塔BiFPN的优点,提出了新的特征融合模块Bi-FusFPN,减少网络计算量,强化多尺度特征的融合能力;在输出端添加无参注意力机制SimAM,进一步提高大、中、小三类目标的检测能力。实验结果表明,YOLOv7-TPSF算法相较于YOLOv7-Tiny算法,网络参数量与计算量分别减少了31.7%、34.6%,准确度与检测速度分别提高了3.7%、9.7%,一定程度上满足了道路裂缝检测准确性与实时性的需求。
-
关键词
道路裂缝检测
YOLOv7-Tiny
轻量型
注意力机制
特征融合模块Bi-FusFPN
-
Keywords
road crack detection
YOLOv7-Tiny
lightweight
attention mechanism
feature fusion module Bi-FusFPN
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名道路裂缝检测的可见光与红外图像融合技术
被引量：1
- 2
-
-
作者
赵思豪
王锋
杨娟娟
庞阳
党建武
-
机构
兰州交通大学电子与信息工程学院
轨道交通信息与控制国家级虚拟仿真实验教学中心
甘肃路桥飞宇交通设施有限责任公司
-
出处
《红外技术》
北大核心
2025年第7期895-905,共11页
-
基金
甘肃省高校科研创新平台重大培育项目(2024CXPT-17)
中央引导地方科技发展资金项目(22ZY1QA002)
+3 种基金
甘肃省教育科技创新项目(2021jyjbgs-05)
甘肃省军民融合专项(2020JG01)
甘肃省重点研发计划(21YF5GA158)
甘肃省知识产权计划项目(21ZSCQ013)。
-
文摘
为了解决可见光与红外图像融合中存在小裂缝不易识别,伴随光照强度变弱造成纹理细节丢失和引入边缘伪影等常见问题,本文提出了一种基于多尺度特征提取的多路注意力生成对抗网络(Multiscale feature extraction-multiscale attention GAN,M2GAN)的图像融合方法。首先,M2GAN提出一种多尺度特征提取模块,该模块采用配准后的可见光和红外图像,提取可见光与红外图像中不同尺度信息,并通过侧边连接使融合过程中的裂缝细节和语义信息同时被保留,使裂缝特征更加丰富。此外,还提出了多路注意力机制,将多尺度融合图像分别和红外源图像、可见光源图像拼接起来,构建红外强度路径和可见光梯度路径,以保存更多目标信息和背景信息。在自制数据集上,与多种主流图像融合算法的实验结果对比,6种评价指标结果显著提高,其中结构相似性、边缘保持度指标分别平均提高了10.66%和24.92%。M2GAN具有更好的视觉效果与结构相似度,在客观评价方面优于对比方法。
-
关键词
可见光与红外图像
图像融合
道路裂缝检测
多尺度特征提取
注意力机制
-
Keywords
visible and infrared images
image fusion
road crack detection
multi-scale feature extraction
attentional mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv8n的道路裂缝检测算法
- 3
-
-
作者
王子龙
陈慈发
董方敏
-
机构
水电工程智能视觉监测湖北省重点实验室
湖北省建筑质量检测装备工程技术研究中心
三峡大学计算机与信息学院
荆楚理工学院大数据研究中心
-
出处
《现代电子技术》
北大核心
2025年第21期113-119,共7页
-
基金
国家自然科学基金新疆联合基金重点项目(U1703261)。
-
文摘
针对现有道路裂缝检测算法精度低、参数计算量大、易漏检误检等问题,文中提出一种基于YOLOv8n改进的轻量型检测算法RD⁃YOLO。首先,在特征提取网络中融入创新设计的重参数化RI模块和BAM构建全新的RB_C2f,在大幅降低网络参数量和计算复杂性的同时,实现对裂缝特征跨维度的交互与融合;其次,引入SEA机制,结合重参数化RI模块,提出原创SR融合模块,深度挖掘裂缝的高阶语义信息,提高模型表征能力及泛化性;最后,提出创新模块IS_C2f,采用可分离自注意力(SSA)机制结合倒残差结构进行特征映射的权重再分配,加快模型收敛的同时,再次增强检测精度,降低模型处理微小或密集裂缝时可能发生的特征损失。实验结果表明,在RDD2022数据集上,改进后的RD⁃YOLO模型相比原始YOLOv8n网络,在参数量降低1.5%、计算量降低13.2%的情况下,mAP@0.5提高至72.7%,增长幅度达到4.0%,显著加强了模型对道路裂缝的检测能力。
-
关键词
深度学习
YOLOv8n
道路裂缝检测
轻量化
注意力机制
TRANSFORMER
-
Keywords
deep learning
YOLOv8n
road crack detection
lightweight
attention mechanism
Transformer
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于YOLOv8n的轻量化道路裂缝检测算法
- 4
-
-
作者
吐尔逊·买买提
邱建卓
朱兴林
徐粒
-
机构
新疆农业大学交通与物流工程学院
新疆农业大学智能交通工程技术研究中心
-
出处
《现代电子技术》
北大核心
2025年第13期11-19,共9页
-
基金
国家自然科学基金项目(51768071)
新疆交通投资(集团)有限责任公司科技项目:基于沥青路面病害数据及深度学习的病害智慧识别系统研究(JCZXXJAU2023001)。
-
文摘
为了解决道路裂缝自动化检测中目标分布尺度广、特征复杂多样以及需要处理大批量数据集的问题,提出一种基于YOLOv8n的轻量化道路裂缝检测算法GCW-YOLO。首先,将全局注意力机制引入到主干网络中,以增强道路裂缝特征的提取和融合能力;其次,采用Wise-IoU损失函数更换原本的损失函数来获得更好的特征聚焦,降低预测中的特征与分类损失;最后,将轻量化网络结构GhostNet引入残差计算模块,用于提高模型的特征提取效率,降低计算复杂度。实验在自制的高速公路裂缝病害数据集共计15 116张图片上进行训练与预测,并在公开数据集上验证算法的泛化性能。实验结果显示,所提算法平均精度均值达到63.5%,相较于原始模型提高6.0%,算法在空间和时间效率上分别提升3.0%和8.5%,检测速度达到250 f/s。对比实验结果表明,GCW-YOLO算法综合了轻量化和检测精度,并表现出良好的泛化性,在道路养护方面具有良好的实用价值和推广前景。
-
关键词
道路裂缝检测
深度学习
YOLOv8n
注意力机制
轻量化
特征聚焦
-
Keywords
road crack detection
deep learning
YOLOv8n
attention mechanism
lightweighting
feature focus
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进YOLOv5s的道路裂缝检测算法
被引量：11
- 5
-
-
作者
任安虎
姜子渊
马晨浩
-
机构
西安工业大学电子信息工程学院
-
出处
《激光杂志》
CAS
北大核心
2024年第4期88-94,共7页
-
基金
陕西省重点研发计划项目(No.2023YBGY031)。
-
文摘
为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。
-
关键词
道路裂缝检测
YOLOv5s算法
全局注意力机制
深度可分离卷积
Softpool池化
-
Keywords
road crack detection
YOLOv5s algorithm
global attention mechanism
depthwise separable convolu-tion
Softpool pooling
-
分类号
TN249
[电子电信—物理电子学]
-
-
题名基于弱监督语义分割的道路裂缝检测研究
- 6
-
-
作者
赵卫东
路明
张睿
-
机构
复旦大学软件学院
上海市数据科学重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2024年第11期148-156,共9页
-
基金
国家自然科学基金(71971066)。
-
文摘
基于弱监督语义分割的道路裂缝检测方法大多基于先分块后检测的流程,分块增加了标注的工作量和误判的分块数量。针对上述问题,提出了基于深度强化学习的道路裂缝分块分类模型,根据道路裂缝图像特点,对智能体的状态、动作和获取的奖励进行了设计,训练智能体自主选择裂缝分块,并将选择结果作为分块标签用于多尺寸分块道路裂缝检测。在cqu-bpdd等数据集上进行的对比实验,证明了所提方法在道路裂缝分割性能、裂缝平均宽度的测量准确度方面优于现有方法。
-
关键词
道路裂缝检测
弱监督
语义分割
裂缝分块
深度强化学习
-
Keywords
Road crack detection
Weakly supervision
Semantic segmentation
Crack blocks
Deep reinforcement learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
