YOLOv5s-GTB：轻量化改进的 YOLOv5s 用于桥梁裂缝检测
计算机视觉与模式识别
2022-06-06 v1
摘要
针对传统桥梁裂缝人工检测方法浪费大量人力物力的情况，本研究旨在提出一种可部署于移动设备场景的轻量化、高精度、基于深度学习的桥梁表观裂缝识别模型。为提升 YOLOv5 性能，首先补充了数据增强方法，随后训练 YOLOv5 系列算法以选取合适的基础框架。经对比与验证实验，确定 YOLOv5s 作为轻量化裂缝检测模型的基础框架。通过以 GhostNet 骨干网络替换 YOLOv5s 的传统 DarkNet 骨干网络，引入 Transformer 多头自注意力机制和双向特征金字塔网络(BiFPN)替代常用的特征金字塔网络，改进模型不仅参数减少 42%、推理响应更快，且在精度和 mAP 上显著优于原模型(分别提升 8.5% 和 1.1%)。所幸各改进部分均对结果有正向影响。本文为未来建立公路桥梁领域数字化运维管理系统及实施中国民用基础设施全生命周期结构健康监测提供了可行思路。
引用
@article{arxiv.2206.01498,
title = {YOLOv5s-GTB: light-weighted and improved YOLOv5s for bridge crack detection},
author = {Xiao Ruiqiang},
journal= {arXiv preprint arXiv:2206.01498},
year = {2022}
}