重庆理工大学学报2023，Vol.37Issue(21) ：213-220.DOI:10.3969/j.issn.1674-8425(z).2023.11.022

融合CBAM-YOLOv7 模型的路面缺陷智能检测方法研究

Research on intelligent detection method of pavement defects incorporating CBAM-YOLOv7 model

张艳君 沈平 郭安辉 高博
重庆理工大学学报2023，Vol.37Issue(21) ：213-220.DOI:10.3969/j.issn.1674-8425(z).2023.11.022
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

融合CBAM-YOLOv7 模型的路面缺陷智能检测方法研究

Research on intelligent detection method of pavement defects incorporating CBAM-YOLOv7 model

张艳君 1沈平 1郭安辉 1高博1
扫码查看

作者信息

  • 1. 中交第二公路勘察设计研究院有限公司,武汉 430056
  • 折叠

摘要

针对目前路面缺陷检测精度不高的问题,基于目前综合性能较强的YOLOv7 模型进行改进,提出了融合卷积注意力模块的CBAM-YOLOv7 模型.该模型通过重参数化、高效聚合、辅助训练等模块来加快模型的收敛过程,还通过融合卷积注意力机制来提升模型的检测精度.面向路面缺陷多分类问题,在公开数据集上分别使用 Faster R-CNN、YOLOv6、YOLOv7、CBAM-YOLOv7 模型进行实验验证分析,利用mAP值、F1 值、FPS值作为模型的精度与效率评价指标.实验结果显示:融合CBAM-YOLOv7 的路面缺陷检测结果的mAP值和F1 值分别能达到83.75%和67.8%,FPS值能达到51.22 Hz,相较于其他模型均有明显提高.

关键词

路面缺陷检测/卷积神经网络/YOLOv7模型/CBAM-YOLOv7模型

Key words

pavement defect detection/convolution neural network/YOLOv7/CBAM-YOLOv7

引用本文复制引用

基金项目

湖北省交通厅科技项目(2020-186-1-6)

湖北省安全生产专项科技项目(KJZX202007010)

出版年

2023
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
参考文献量6
段落导航相关论文