细小凹痕，巨大影响：面向车辆凹痕检测的数据集与深度学习方法
计算机视觉与模式识别
2025-09-29 v2
摘要
传统的汽车损伤检查技术依赖人工，耗时且常常忽略类微小表面瑕疵的微小凹痕。机器学习为日益增长的快速精准检查需求提供了创新解决方案。该论文采用 YOLOv8 对象识别框架，提供一种基于深度学习的自动检测汽车车身上细小凹痕的方案。传统的汽车损伤检查程序是手动的、耗时的，且在检测细小缺陷方面常常不可靠。为解决此问题，创建了一个包含在各种光照条件、角度和纹理下的汽车表面带注释照片的专用数据集。为提高鲁棒性，采用实时数据增强方法训练了 YOLOv8m 模型及其定制变体 YOLOv8m-t4 和 YOLOv8m-t42。实验结果表明，该技术具有卓越的检测准确性和低推理延迟，适用于自动保险评估和汽车检查等实时应用。评估参数如平均精度 (mAP)、精确率、召回率和 F1 分数验证了模型的有效性。YOLOv8m-t42 模型在检测微小表面缺陷方面优于 YOLOv8m-t4 模型（精确率：0.86，召回率：0.84，F1 分数：0.85），后者精确率为 0.81，召回率为 0.79，F1 分数为 0.80。尽管 YOLOv8m-t42 的 [email protected]:0.95 仅下降 0.20，其 [email protected] 稳定在 0.60。此外，YOLOv8m-t42 的 PR 曲线下面积为 0.88，表明其性能比 YOLOv8m-t4（0.82）更一致。尽管收敛速度较慢，YOLOv8m-t42 在实际凹痕检测应用中具有更高的准确性和更佳的适用性。
引用
@article{arxiv.2508.15431,
title = {Small Dents, Big Impact: A Dataset and Deep Learning Approach for Vehicle Dent Detection},
author = {Danish Zia Baig and Mohsin Kamal and Zahid Ullah},
journal= {arXiv preprint arXiv:2508.15431},
year = {2025}
}