基于YOLOV7架构的轻量化路面病害检测模型

摘要

YOLOV7用于路面病害检测存在参数冗余、检测效率较低、模型体量过大等问题.为了解决上述问题，利用MobileOne网络代替原有主干特征提取网络，引入轻量坐标注意力模块Coordinate Attention（CA）到网络中，提出了基于GSConv的YOLOV7 Slim-Neck,并通过重参数思想融合模型运算过程，使用Focal-EIoU Loss替代CIoU Loss以解决样本分类不均衡的问题.研究结果表明：引入Focal-EIoU Loss后能够平衡样本的不均匀性，加快模型的收敛；MobileOne网络在减少模型参数的同时提高了模型的精度；CA模块加强了模型的特征提取能力；Slim-Neck在保证学习能力的同时，大幅减少模型参数；相较于传统的YOLOV7架构，所提出的模型参数量减少了78%,图像处理速度是原来的3倍，m_AP性能指标上升1.71%,F分数上升0.022.该轻量化模型便于移动平台部署，具有明显的工程应用优势.

关键词

路面工程 / 路面病害 / 目标检测 / YOLOV7 / 轻量化 / 注意力机制 / 损失函数