YOLO-ROC：用于实时道路损伤检测的高精度超轻量级模型
计算机视觉与模式识别
2025-08-01 v1
摘要
道路损伤检测是确保交通安全和维护基础设施完整性的关键任务。尽管基于深度学习的检测方法现已广泛采用，但它们仍面临两个核心挑战：首先，现有网络对裂缝和坑洼等多变目标的多尺度特征提取能力不足，导致小尺度损伤的漏检率高；其次，主流模型的参数量和计算需求庞大，阻碍了其在实际应用中高效、实时检测的部署。为了解决这些问题，本文提出了一种高精度且轻量级的模型——YOLO-Road Orthogonal Compact（YOLO-ROC）。我们设计了双向多尺度空间金字塔池化快速模块（BMS-SPPF）以增强多尺度特征提取，并实施了分层通道压缩策略以降低计算复杂度。BMS-SPPF 模块利用双向空间-通道注意力机制来改善小目标的检测。同时，通道压缩策略将参数量从 3.01M 减少到 0.89M，GFLOPs 从 8.1 减少到 2.6。在 RDD2022_China_Drone 数据集上的实验表明，YOLO-ROC 达到了 67.6% 的 mAP50，超过基线 YOLOv8n 2.11%。值得注意的是，小目标 D40 类别的 mAP50 提升了 16.8%，最终模型大小仅为 2.0 MB。此外，该模型在 RDD2022_China_Motorbike 数据集上表现出优异的泛化性能。
引用
@article{arxiv.2507.23225,
title = {YOLO-ROC: A High-Precision and Ultra-Lightweight Model for Real-Time Road Damage Detection},
author = {Zicheng Lin and Weichao Pan},
journal= {arXiv preprint arXiv:2507.23225},
year = {2025}
}