一种用于实时精确坑洞检测与测量的增强型 YOLOv8 模型
计算机视觉与模式识别
2025-05-19 v2 人工智能
摘要
坑洞会导致车辆损坏和交通事故，造成严重的安全和经济问题。因此，早期且精确地检测坑洞至关重要。现有的检测方法通常仅基于二维 RGB 图像，无法精确分析坑洞的物理特征。本文创建了一个公开可用的 RGB-D 图像数据集（PothRGBD），并提出了一种基于改进 YOLOv8 的模型，用于坑洞检测及其物理特征分析。使用英特尔实感 D415 深度摄像头采集路面 RGB 和深度数据，构建了包含 1000 张图像的 PothRGBD 数据集。数据以适用于分割的 YOLO 格式进行标注。基于 YOLOv8n-seg 架构，提出了一种新颖的 YOLO 模型，该模型在结构上通过动态蛇形卷积（DSConv）、简单注意力模块（SimAM）和高斯误差线性单元（GELU）进行了改进。所提出的模型能更精确地分割具有不规则边缘结构的坑洞，并在深度图上高精度地执行周长和深度测量。标准 YOLOv8n-seg 模型达到了 91.9% 的精确率、85.2% 的召回率和 91.9% 的 mAP@50。使用所提出的模型，这些值分别提升至 93.7%、90.4% 和 93.8%。因此，精确率提高了 1.96%，召回率提高了 6.13%，mAP 提高了 2.07%。所提出的模型不仅能高精度地执行坑洞检测以及周长和深度测量，而且由于其较低的模型复杂度，适用于实时应用。通过这种方式，获得了一个可用于基于深度学习的智能交通解决方案的轻量级且有效的模型。
引用
@article{arxiv.2505.04207,
title = {An Enhanced YOLOv8 Model for Real-Time and Accurate Pothole Detection and Measurement},
author = {Mustafa Yurdakul and Şakir Tasdemir},
journal= {arXiv preprint arXiv:2505.04207},
year = {2025}
}