【目的】针对传统路面裂缝检测实时性差、准确率低的问题。【方法】利用深度学习网络在目标检测方面的优势,提出一种改进的YOLOv5算法,称为YOLOv5s-attention,以实现路面裂缝自动化检测与识别。首先,对采集到的裂缝图片用LabelImg标注...【目的】针对传统路面裂缝检测实时性差、准确率低的问题。【方法】利用深度学习网络在目标检测方面的优势,提出一种改进的YOLOv5算法,称为YOLOv5s-attention,以实现路面裂缝自动化检测与识别。首先,对采集到的裂缝图片用LabelImg标注软件进行手工标记,然后通过改进YOLOv5网络训练得到网络模型参数。最后,利用所建立的模型对裂缝进行验证和预测。除此之外,采用综合评价指标(F1-measure,F_(1))和平均精度均值(mean average precision,mAP)这两个指标来比较原YO-LOv5s、YOLOv5s-attention模型在路面裂缝上检测与识别的性能。【结果】经YOLOv5s与YOLOv5s-attention比较发现,YO-LOv5s-attention检测准确率(Precision)提高1.0%,F1提高0.9%,mAP提高了1.8%。【结论】由此可知,该网络在实现道路裂缝自动化识别上具有一定的现实意义。展开更多
文摘【目的】针对传统路面裂缝检测实时性差、准确率低的问题。【方法】利用深度学习网络在目标检测方面的优势,提出一种改进的YOLOv5算法,称为YOLOv5s-attention,以实现路面裂缝自动化检测与识别。首先,对采集到的裂缝图片用LabelImg标注软件进行手工标记,然后通过改进YOLOv5网络训练得到网络模型参数。最后,利用所建立的模型对裂缝进行验证和预测。除此之外,采用综合评价指标(F1-measure,F_(1))和平均精度均值(mean average precision,mAP)这两个指标来比较原YO-LOv5s、YOLOv5s-attention模型在路面裂缝上检测与识别的性能。【结果】经YOLOv5s与YOLOv5s-attention比较发现,YO-LOv5s-attention检测准确率(Precision)提高1.0%,F1提高0.9%,mAP提高了1.8%。【结论】由此可知,该网络在实现道路裂缝自动化识别上具有一定的现实意义。
