| 摘要: |
| 为解决沥青路面病害检测人工成本高、检测精确度与效率低下的问题,提出一种面向多尺度目标沥青路面深度图像的轻量化道路病害检测模型RBDN YOLO E.通过无人机快速扫描沥青路面并建立三维点云模型得到路面深度图像,将2 496张深度图像建立沥青路面病害检测数据集,并按7∶2∶1的比例划分为训练集、验证集以及测试集.在网络主干的C2f中引入重塑空间注意力卷积模块RFAConv得到C2f_RFAConv模块以关注感受野空间特征,为图像每个区域的特征提取提供了定制化的关注度;在网络颈部的C2f中引入可变形卷积DCNv3得到C2f_DCNv3模块以提升模型对目标形变的建模能力,降低输出通道数和模型计算成本,提高识别的精确度;将网络中SPPF模块替换为SPPELAN模块的空间金字塔池化结构以生成更多尺度,提高特征表示能力.试验结果表明:RBDN YOLO E模型相对于YOLOv8n模型的mAP50、F1值、精确率、召回率和推理时间分别提升了1.70%,2.00%,4.29%,2.00%,3.40%,而模型计算量、参数量和模型大小分别降低了0.9 GFLOPs,0.73 M,1.4 M.通过结合无人机与改进模型RBDN YOLO E,可以更安全、快速和准确地提取沥青路面病害,有效解决传统沥青路面病害的检测精度与成本问题,提高对沥青路面病害的检测效率. |
| 关键词: 病害检测 轻量化 无人机 深度图像 YOLOv8n |
| DOI： |
| 分类号: |
| 基金项目:国家自然科学基金资助项目(51668012;51968011) |
|
|
|
|
| Abstract: |
|
| Key words: |
