改进YOLOv8的路面病害检测模型

摘要

针对路面病害检测存在的病害尺度差异大、细小病害特征提取难、病害在图像中占比小等问题，提出一种基于改进YOLOv8的路面病害检测方法。以YOLOv8s网络结构为基础，通过引入通道注意力机制和无跨步卷积网络结构，构建了一种无信息丢失的下采样网络模块，在剔除背景冗余信息的同时更多地保留了病害纹理特征；通过构建基于PANet的多尺度自适应特征融合网络，增强了网络浅层特征捕获能力，实现了不同尺度特征信息的高效融合；采用Focal Loss损失函数，对各样本赋予对应的权重，缓解了正负样本不平衡问题。实验表明：所提方法在RDD2020和RDD2022数据集上的平均精度分别达到57.1%和52.8%,与YOLOv8s模型相比分别提升3.2和0.6个百分点，整体性能优于YOLOv5等其他检测网络。

关键词

路面病害检测 / 多尺度特征融合 / 无跨步卷积网络 / ASFF

基金资助

重庆市技术创新与应用发展项目(CSTC2020JSCX-CYLHX007,cstc2020jscx-cylhX0005);; 山东省交通运输科技计划项目(2020-MSI-041)