基于YOLO轻量化设计的半刚性基层沥青路面内部松散病害识别算法研究
摘要
针对三维探地雷达检测沥青路面内部松散病害诊断效率低、人工成本高的问题，本文提出一种轻量化识别方法。采用 Faster_block轻量级主干网络替换CSPDarknet53，提升训练与推理速度；设计SPPFCSPC模块，强化特征表达能力并扩大感受野；在颈部网络嵌入C3融合CBAM注意力机制，适配复杂场景关键特征提取。实验表明：相较原算法，mAP@0.5提升6.7%，计算量降低38.3%，检测速度可达128.2FPS；对比YOLOv8系列模型，精度最高提升28.7%，可同步满足路面病害识别的精度与实时检测需求。
关键词
半刚性沥青路面；内部松散病害；智能识别算法；YOLOv5优化；轻量化设计
全文:
PDF参考
李晓华,宋亮,叶伟,等.基于三维探地雷达的沥青路面内部病害分布特征与养护决策研究[J].中外公路,2025,45 (3):221-231.
Sun Ya-zhen,Tang Hai-xiang ,Zhang Huai-zhi.Automatic Detection of Pavement Marking Defects in Road Inspection Images Using Deep Learning[J].Journal of Performance of Constructed Facilities,2024,38(2):04024002.
He Kaiming,Zhang Xiang-yu,Ren Shao-qing,et al.Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J].IEEE transactions on pattern analysis and machine intelligence,2015,37(9):1904-1916.
Lu Xing-min,Song Wei.Improved YOLOv5s model for vehicle detection and recognition[C]Proceedings of the Intelligent Computing Methodologies,2022:423-434.
吐尔逊·买买提,邱建卓,刘健等.基于改进YOLOv8n的道路裂缝检测算法[J].科学技术与工程,2025,25(14): 6044-6053.
DOI: https://doi.org/10.33142/sca.v9i4.19558
Refbacks
- 当前没有refback。
版权所有（c）{$ COPYRIGHTYEAR} {$ copyrightHolder}
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。