基于yolov8的道路路面病害检测

基于yolov8的道路路面病害检测

祝浪洪

重庆交通大学信息科学与工程学院 重庆 400074

摘要：针对复杂路面情况下道路路面病害识别检测精度低且检测模型过大的问题，提出一种基于yolov8的道路路面病害识别检测算法。通过在算法结构中引入AFPN自适应空间融合结构，提高了道路路面病害检测的平均精度均值和检测准确率，且此方法在实际道路路面病害检测与识别中能够快速的检测出路面的破损位置及类型。

关键词：路面病害；目标检测；深度学习；yolov8；AFPN

0 引言

随着我国公路建设的迅速发展，公路交通运输量持续保持着高速增加的状态，经年累月对道路的使用，道路路面会出现各种病害，极易造成车辆性能下降，最终会影响行车安全，因此道路养护是预防道路出现损坏的途径，而传统人工检测会耗费大量的人力物力且公路上交通量大，若进行现场勘查，极易引起交通堵塞和交通事故且公路养护成本高[1]。基于深度学习的方法极大地提高了道路路面病害的检测准确性和实时性，其在检测性能上优于基于传统的方法[2]，基于深度学习的目标检测模型主要分为两类，为了更加高效地检测和识别道路路面病害，本文采用一阶段端到端的目标检测模型yolov8为基础，针对复杂情况下的路面病害图像进行检测识别。

1 改进yolov8检测方法

1.1 yolov8网络

YOLOv8检测速度快，满足路面病害检测的要求，由输入端、主干网络backbone、特征融合neck模块和输出端组成。输入端由Conv、C2f和SPPF模块组成，丰富了模型的梯度流，可形成一个具有更强特征表示能力的神经网络模块。Neck模块采用PAN结构，可加强网络对不同缩放尺度对象特征合的融合能力。输出端将分类和检测过程进行解耦，主要包括损失计算和目标检测框筛选，其中损失计算过程主要包括正负样本分配策略和Loss计算，即根据分类与回归的分数加权结果选择正样本，本文选用YOLOv8n为基础研究模型。

1.2 AFPN

在路面病害识别任务中，多尺度特征提取多是采用经典的自顶向下和自底向上的特征金字塔网络，然而这些方法存在特征信息的丢失或退化问题从而影响特征融合效果。因此为提高路面病害特征融合，加入特征金字塔网络AFPN[3]，AFPN结构图如图1所示。

图1 AFPN结构图

改进后的yolov8以支持非相邻级别的直接交互，通过融合两个相邻的低级特征，并逐渐的融入高级特征，再采用自适应空间融合操作来减轻特征的不一致性。改进后的yolov8模型如图2所示。

图2 改进后的yolov8结构

2实验设计

2.1 数据集准备

本文使用开源的RDD2022数据集实现模型的训练，并选取其中的中国数据集进行实验。RDD2022采用车载智能手机拍摄，本文选择纵向裂缝(D00)、横向裂缝（D10）、网状裂缝(D20)、坑槽(D40)用于深度学习模型的训练和识别。使用随机划分的方法划分训练集、验证集，其中训练集和验证集的比例设为 8:2。

2.2 实验环境

本模型使用开源深度学习框架 PyTorch 作为网络框架，GPU选用NVIDIA的RTX 3090。实验参数学习率设置为0.01，批次大小设置为64,训练轮数设置为200。

2.3 实验结果

本实验的主要评测指标为检测精度，主要由模型的准确率P(precision)、召回率 R(recall)和平均准确率mAP(mean average precision)体现。从表1可见，本研究中改进的YOLOv8网络对比原网络mAP@0.5增加了1.1%，精度增加了2.8%。相较于原模型YOLOv8n在路面病害识别结果较原模型较优。在复杂路面条件下，较好地降低了检测过程中病害目标面积小、分辨率低、目标多尺度等带来的影响。

表1 实验结果

3结论

本文基于YOLOv8实现了针对路面病害特点的检测模型，通过对该模型的性能进行测试检验，在网络结构中引入AFPN结构，且改进后的模型在路面病害检测过程中，在获取更丰富的细粒度的特征信息的同时，实现了局部特征和全局特征融合，丰富了特征图的表达能力，证了同一病害信息提取的完整性。同时，改进后模型在满足检测速度的情况下增加了检测精度加强了对不同特征图间信息的利用，提升网络对目标区域的关注度，有效解决路面病害检测图像中目标大小差异较大的情况，不仅扩大了路面病害的检测范围，而且保证了在阴影环境下仍能保持较好的检测精度。

参考文献

[1]任传亭,任广海,李森哲.公路沥青路面检测技术发展综述[J].公路交通技术,2021,37(05):29-34.

[2]罗晖,余俊英,涂所成.基于深度学习的公路路面病害检测算法[J].计算机科学技术与工程，22(13):5299-5305.

[3]Yang G,Lei J,Zhu Z,et al. AFPN:Asymptotic Feature Pyramid Network for Object Detection[J].arXiv preprint arXiv:2306.15988, 2023.