.png){kind=icon}
返回
Dynamic adaptive spatial network for multi-scale pavement defect detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.measurement.2026.122257.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实时可靠的路面损坏测量对道路安全与基础设施服务寿命至关重要。然而，由于复杂的背景干扰和损坏尺寸、形状的巨大变化，精确测量仍具挑战性。本研究提出了一种快速检测算法——动态自适应空间网络（DASNet），用于实时多尺度路面损坏检测。与主要依赖固定卷积特征提取和静态特征融合的传统轻量级检测器不同，DASNet通过骨干-颈部-头部架构在复杂采集条件下提升了多尺度检测和跨域鲁棒性。在骨干网络中，提出了动态蛇形卷积增强的C2f（DSC2f）模块以改善细长和不规则损坏模式的表征，而多尺度融合注意力C2f（MSFC2f）模块强化了针对大尺度变化目标的空域特征建模。在颈部，基于轻量级GSConv的特征融合网络在保持多级特征交互的同时减少了冗余计算。此外，自适应空域特征融合头部（ASFF-Head）动态聚合金字塔特征，以缓解由尺度变化和多样化成像视角引起的特征失配。DASNet在RDD2022和IRRDD数据集上进行了评估。RDD2022包含来自六个国家使用多种成像设备收集的47,420张路面损坏图像，而IRRDD包含来自伊朗的25,000张图像。在RDD2022上，DASNet的mAP@0.5达到59.7%，分别比YOLOv8、RT-DETR和YOLOv11提升了3.5%、3.8%和2.4%。其在所有路面损坏类别中实现了最高检测精度，兼顾了准确性与计算效率。此外，与零样本分割模型集成实现了基于图像的缺陷长度、宽度和面积估计，用于路面状况评估。
Keyword:
Pavement defects detection
Automated visual inspection
Deep learning
Scale invariance
期刊
IF:
5.6
论文数:
2.1W
被引数:
5.4W
机构
引用论文
Road surface crack detection method based on improved YOLOv5 and vehicle-mounted images基于改进YOLOv5和车载图像的路面裂缝检测方法.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Automated Asphalt Highway Pavement Crack Detection Based on Deformable Single Shot Multi-Box Detector Under a Complex EnvironmentIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Road damage detection using UAV images based on multi-level attention mechanism基于多级注意力机制的无人机影像路损检测
PREAI
分享收藏DEPP: Automated detection of pavement patching and nonslip coatingsDEPP：路面修补和非滑涂层的自动化检测MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏DeepCrack: A deep hierarchical feature learning architecture for crack segmentationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Road damage detection with bounding box and generative adversarial networks based augmentation methods基于边界框和生成对抗网络增强方法的道路损坏检测
OAAI
OAAI分享收藏Enhancing autonomous pavement crack detection: Optimizing YOLOv5s algorithm with advanced deep learning techniques增强自主路面裂缝检测: 利用先进的深度学习技术优化YOLOv5s算法MEASUREMENTOAAI
MEASUREMENTIF5.6
OAAI分享收藏
查看更多内容