摘要
随着道路基础设施领域数据的不断积累，对数据的分析和价值挖掘已成为亟待解决的问题。道路对日常生活至关重要，若能及早发现道路表面的缺陷并制定合理的养护方案，将大大降低道路养护的成本。在此过程中，通过使用深度学习算法，可以准确地检测出道路表面的缺陷，进而采取相应的养护措施。但道路缺陷检测面临着诸多挑战，如微小裂缝、小型路面破损等小目标的识别难度较大，复杂背景下容易出现误判问题，以及应用领域对网络模型的检测实时性有着严格的要求。因此本文将道路破损检测同YOLO检测模型结合起来，并针对上述道路缺陷检测中的难点进行针对性改进。主要的工作内容如下： （1）针对道路损伤检测中的小目标检测难的问题。以YOLOv5为基准模型，并结合注意力机制模块，该方法首先聚焦于提升模型对缺陷中小目标区域的特征提取能力，充分利用了注意力机制在通道和空间两个维度上的优势。在通道维度上，模型通过学习自适应的通道权重，能够强化与道路缺陷相关的特征通道，从而增强对关键信息的捕捉能力。而在空间维度上，模型则能够精确地定位到微小裂缝等目标所在的位置，并通过加权处理提升这些区域的特征表达。这一设计使得模型在识别微小裂缝等难以察觉的小目标时，能够更为精准和高效，最终结果表明，改进后模型相较于原模型有4.3%的准确率提升。 （2）针对道路缺陷检测中存在着复杂背景，以及裂缝，坑洼缺陷类型具备多尺度问题，对颈部网络的特征融合结构进行改进。采用了高效的双向尺度连接，通过将不同层级的特征图进行融合，来获得更丰富的特征信息。在特征融合过程中，采用动态的特征权重分配。通过对不同尺度的特征图的重要性进行动态的权重分配，来实现对不同尺度目标的准确检测，最终结果表明，Y5-Attn-BIFPN模型相较于原模型有5.9%的准确率提升。 （3）针对道路缺陷检测的现实意义在于能及时发现道路缺陷，对模型的实时性要求高的问题。采用轻量化卷积的方式，结合分组卷积和通道混洗操作，来减少参数数量和计算量。另外引入SIOU损失函数，SIOU损失函数具有尺度不变性，可以更好地处理不同尺度的数据，从而确保模型的准确性与降低模型的参数量。最终结果表明，Y5RDD-Attn-BIFPN-Lite模型在参数量为原模型88%的同时，准确率有着6.8%的提升。
NETL