YOLO9tr：一种基于广义高效层聚合网络与注意力机制的轻量化路面损伤检测模型
计算机视觉与模式识别
2024-10-14 v2
摘要
保持道路路面完整性对于确保安全和高效的交通运输至关重要。传统的路面状况评估方法往往繁琐且容易受人为误差影响。本文提出了一种新颖的轻量化路面损伤检测模型YOLO9tr，利用深度学习技术进步。YOLO9tr基于YOLOv9架构，引入局部分注意力模块以增强特征提取和注意力机制，提升在复杂场景中的检测性能。该模型在包括来自多个国家的道路损伤图像构成的综合数据集上进行训练，扩展了损伤类别范围，超出标准的四类损伤。这一更广泛的分类范围有助于更准确、更真实地评估路面状况。比较分析表明，YOLO9tr在精度和推理速度方面优于YOLO8、YOLO9和YOLO10等最先进模型，实现了计算效率与检测精度之间的平衡。该模型最高可达136 FPS的高帧率，适用于视频监控和自动化检查系统等实时应用。本研究进行了消融研究，以分析架构修改和超参数变化对模型性能的影响，进一步验证了局部分注意力模块的有效性。结果表明，YOLO9tr在实际部署中可用于实时路面状况监测，为开发稳健且高效的解决方案贡献了力量，以维护安全和功能完善的道路基础设施。
引用
@article{arxiv.2406.11254,
title = {YOLO9tr: A Lightweight Model for Pavement Damage Detection Utilizing a Generalized Efficient Layer Aggregation Network and Attention Mechanism},
author = {Sompote Youwai and Achitaphon Chaiyaphat and Pawarotorn Chaipetch},
journal= {arXiv preprint arXiv:2406.11254},
year = {2024}
}