.png){kind=icon}
返回
Road pothole detection algorithm based on improved YOLOv10n
.png){kind=icon}
OA
AI
DOI：10.1088/2631-8695/ae02e3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
道路坑洼检测对于交通安全、道路维护效率、使用寿命延长以及智能交通系统发展至关重要。本文提出DDW-YOLOv10n算法，旨在解决检测精度和不规则坑洼检测问题。首先，集成了动态采样（DySample）模块，从点采样角度增强颈部特征融合。其次，新的检测头融合了DCNv3与Dynamic Head，结合注意力机制并利用DCNv3的动态采样能力，以实现更优的不规则缺陷预测。最后，通过Wise-IoU v3优化MPDIoU损失，采用动态非单调机制及梯度增强方式，实现精确定位，提高检测精度与模型收敛性。与原始YOLOv10n相比，DDW-YOLOv10n的mAP@0.5提升了1.8%，达到83.4%，准确率提高了5.7%，达到88.2%，同时减少了参数数量。与主流目标检测算法（Faster R-CNN、SSD、YOLO系列和RT-DETR）相比，DDW-YOLOv10n在精度和模型权重方面表现更优，展现出在复杂环境中最佳的综合检测能力，具有应用于自动化道路状况监测的显著潜力。
Keyword:
road pothole detection
DDW-YOLOv10n
DySample
Dynamic Head
DCNv3
Wise-MPDIoU
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测OAAI
OAAI分享收藏InternImage: Exploring Large-Scale Vision Foundation Models with Deformable ConvolutionsInternImage: 使用可变形卷积探索大型视觉基础模型
OAAI
OAAI分享收藏YOLOv9s-Pear: A Lightweight YOLOv9s-Based Improved Model for Young Red Pear Small-Target Recognition.png)
AGRONOMY-BASELOAAI
AGRONOMY-BASELIF3.4
OAAI分享收藏GESC-YOLO: Improved Lightweight Printed Circuit Board Defect Detection Based AlgorithmGESC-YOLO：改进的轻量化印刷电路板缺陷检测算法SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Application of a Model that Combines the YOLOv3 Object Detection Algorithm and Canny Edge Detection Algorithm to Detect Highway Accidents应用一种结合YOLOv3目标检测算法和Canny边缘检测算法的模型来检测高速公路事故SymmetryOAAI
SymmetryIF0
OAAI分享收藏Detection of Farmland Obstacles Based on an Improved YOLOv5s Algorithm by Using CIoU and Anchor Box Scale Clustering基于CIoU和锚盒尺度聚类的改进YOLOv5s算法的农田障碍物检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容