文献类型：期刊文章

作　　者：李松[1] 史涛[2] 井方科[1]

LI Song;SHI Tao;JING Fangke(School of Electrical Engineering,North China University of Science and Technology,Tangshan,Hebei 063210,China;School of Electrical Engineering and Automation,Tianjin University of Technology,Tianjin 300384,China)

机构地区：[1]华北理工大学电气工程学院,河北唐山063210 [2]天津理工大学电气工程与自动化学院,天津300384

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(61203343);河北省自然科学基金(F2018209289)。

年　　份：2023

卷　　号：59

期　　号：23

起止页码：165-174

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：道路损伤检测是保障道路安全、实现道路损伤及时修复的一项重要任务。针对现有的道路损伤检测算法中检测效率低、成本高昂、难以应用于移动终端设备问题,提出了一种改进YOLOv8的轻量型道路损伤检测算法YOLOv8-Road Damage(YOLOv8-RD)。结合CNN和Transformer的优势,提出了一种能够提取道路损伤图像全局特征信息和局部特征信息的BOT模块,以适应裂纹对象的大跨度与细长特征。在骨干网络末端和颈部网络中引入坐标注意力机制(coordinate attention,CA),将位置信息嵌入到通道注意力中,强化特征提取能力,并抑制无关特征的干扰。在YOLOv8颈部网络中使用C2fGhost模块,以减少特征通道融合过程中的浮点运算量,降低模型参数量,同时提高特征表达性能。实验结果表明,在RDD2022数据集和Road Damage数据集上,改进算法与原算法相比mAP50分别提高了2个百分点和3.7个百分点,而模型参数量仅为2.8×10^(6),计算量仅为7.3×10^(9),分别降低了6.7%和8.5%。算法检测速度达到88 FPS,能够实时准确检测道路损伤目标。通过与其他主流目标检测算法比较,验证了该方法的有效性和优越性。

关 键 词：道路损伤检测  深度学习  YOLOv8  注意力机制  TRANSFORMER

分 类 号：TP391.4]