.png){kind=icon}
返回
Road damage detection based on improved YOLO algorithm
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-14461-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着城市化进程的加速和交通需求的增长，道路损伤已成为日益严峻的问题。传统的人工检测方法不仅耗时且成本高昂，难以满足当前需求。因此，采用基于深度学习的道路损伤检测技术已显现为一种前沿且高效的解决方案。本文提出了一种基于YOLOv5的改进目标检测算法。通过集成CA（通道注意力）和SA（空间注意力）双分支注意力机制以及GIoU（广义交并比）损失，增强了模型的目标检测精度和定位能力。双分支注意力机制在通道和空间维度上增强了特征表示，而GIoU损失则优化了边界框回归——特别是在小目标检测和边界框定位精度方面取得了显著提升。采用公开数据集进行训练和测试，并通过模拟检测计算得到路面损坏指数。实验结果表明，相较于现有方法，本算法将检索率提升了2.3%，平均精度（mAP）提高了0.3，与其它模型的调和平均F1值相比提升了0.7。此外，通过计算PCI（路面状况指数）值获得了预期的路面评价结果。
Keyword:
Road breakage
YOLOv5
Deep learning
Attention mechanism
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
A critical review and comparative study on image segmentation-based techniques for pavement crack detection基于图像分割的路面裂缝检测技术综述与比较研究
PREAI
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
分享收藏
查看更多内容