面向民用基础设施裂纹检测的 YOLOv8 基准测试
计算机视觉与模式识别
2025-05-30 v2
摘要
确保桥梁结构完整性和安全性对于交通网络的可靠性和公共安全至关重要。传统的裂纹检测方法正被日益增长的人工智能（AI）技术所补充或取代。然而，大多数模型依赖双阶段目标检测算法，这对实时应用构成速度较低的顾虑。虽然 YOLO（You Only Look Once）模型因其卓越的速度和准确度而涌现为具有变革性的工具，但 YOLOv8 框架在此领域的潜力仍未得到充分探索。本研究通过严格评估 YOLOv8 在五个模型规模（nano、small、medium、large、extra-large）上的性能，使用高质量的 Roboflow 数据集。进行了全面的超参数优化，测试了六种最先进的优化器——随机梯度下降、自适应动量估计、带分离权重衰减的 Adam、根均方反向传播、修正 Adam 以及带 Nesterov 动量的 Adam。结果显示，采用随机梯度下降优化的 YOLOv8 实现了卓越的准确度和速度，为实时裂纹检测树立了新基准。除了其直接应用外，本研究将 YOLOv8 定位为将先进计算机视觉技术集成到基础设施监控中的基础方法。通过实现对老化桥梁网络的更可靠和更主动的维护，为全球更安全、更高效的交通系统铺平了道路。
引用
@article{arxiv.2501.06922,
title = {Benchmarking YOLOv8 for Optimal Crack Detection in Civil Infrastructure},
author = {Woubishet Zewdu Taffese and Ritesh Sharma and Mohammad Hossein Afsharmovahed and Gunasekaran Manogaran and Genda Chen},
journal= {arXiv preprint arXiv:2501.06922},
year = {2025}
}
备注
We would like to extend/modify this work and make changes for resubmission to a different place. Hence we would like to withdraw the paper