基于改进YOLOv5的路面病害检测模型
何铁军 李华恩
东南大学智能运输系统研究中心，江苏南京 211189
Pavement damage detection model based on improved YOLOv5
He Tiejun Li Huaen
Intelligent Transportation System Research Center, Southeast University, Nanjing 211189, China
摘要 为进一步提高路面病害检测精度，文章在YOLOv5的基础上，提出针对路面病害特征改进的检测模型Pavement Damage-YOLO (PD-YOLO)。PD-YOLO在网络结构中引入Space-to-depth层，以适应低分辨率和路面病害目标小的检测任务。此外，模型在池化层利用SPPFCSPC，在特征提取时获取不同的感受野，有效解决路面病害检测图像中目标大小差异较大的情况；在特征融合层引入ASFF模块使模型自适应学习不同特征间的联系，加强模型对病害目标区域的关注度。在对多组测试数据集测试中，与YOLOv5相比，PD-YOLO模型同时提高了检测结果的准确率、召回率、F1值以及mAP@0.5值，证明了PD-YOLO有着更强的特征提取能力和特征融合能力，在路面病害的检测上有更优越的表现。
关键词 ：
PD-YOLO ,
路面病害 ,
目标检测 ,
深度学习 ,
SPD模块
[1]
任晨辉 单伽锃 刘钰汶 吴昊 周德源. 基于目标边界视觉追踪的结构多水准变形状态识别
[2]
周中 闫龙宾 张俊杰 龚琛杰. 基于深度学习的公路隧道表观病害智能识别研究现状与展望
[3]
李宏男 张文圣 付兴. 基于大数据深度学习的输电塔结构抗风易损性评估
[4]
骆剑彬 姜绍飞 沈圣 陈建腾. 基于声呐成像的水下桩墩表观病害深度学习与智能检测
[5]
鲍跃全 李 惠. 人工智能时代的土木工程
