Cycle-YOLO：面积 pavement 损伤检测的高效稳健框架
计算机视觉与模式识别
2024-05-29 v1 人工智能
计算机与社会
机器学习
摘要
随着现代社会的发展，全球大多数国家的交通量持续增加，导致路面损伤率上升。因此，实时且高精度的路面损伤检测和维护已成为当前的需求。本文提出一种结合CycleGAN与改进YOLOv5算法的增强路面损伤检测方法。我们选取了7644张自行收集的路面损伤样本图像作为初始数据集，并通过CycleGAN进行数据增强。由于CycleGAN生成的图像与真实道路图像之间的差异较大，我们提出一种基于改进Scharr滤波器、CycleGAN和Laplacian金字塔的数据增强方法。为提高目标在复杂背景下的识别效果，并解决YOLOv5网络中空域金字塔池化-快速模块无法处理多尺度目标的问题，我们引入卷积块注意力模块注意力机制，并提出采用压缩-感知结构的空洞空域金字塔池化。此外，我们通过替换CIoU为EIoU来优化YOLOv5的损失函数。实验结果显示，我们的算法在检测三种主要类型的路面损伤——裂缝、坑洞和修补料时，精确率为0.872，召回率为0.854，mean average [email protected]为0.882。在GPU上，帧率达到68帧/秒，满足实时检测要求。其整体性能甚至超过当前更先进的YOLOv7，实现了实际应用中的好结果，为路面损伤检测和预防决策提供了依据。
引用
@article{arxiv.2405.17905,
title = {Cycle-YOLO: A Efficient and Robust Framework for Pavement Damage Detection},
author = {Zhengji Li and Xi Xiao and Jiacheng Xie and Yuxiao Fan and Wentao Wang and Gang Chen and Liqiang Zhang and Tianyang Wang},
journal= {arXiv preprint arXiv:2405.17905},
year = {2024}
}