摘要：针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCNv3模块增强对物体形变的建模能力,并对输入特征信息进行降维处理,有效降低模型参数量和计算复杂度。设计GS-Decoupled head检测模块,降低检测头参数的同时实现全局信息的有效聚合。同时,设计E-Slide Loss权重函数,为困难样本分配更高权重,充分学习道路病害中的难样本数据,进一步提高模型检测精度。采用通道剪枝减少模型冗余通道,有效压缩模型体积并提高检测速度。实验结果表明,DGE-YOLO-P模型相较于YOLOv8n模型mAP提高2.4个百分点,而模型参数量、计算量和模型大小分别降低58.1%、66.7%和55.5%。检测速度FPS由34帧/s提高到51帧/s。

摘要：针对现有路基边坡裂缝检测算法中检测精度低、泛化能力弱等问题,提出了一种改进YOLOv8的路基边坡裂缝检测算法。首先,在主干网络中嵌入重参数化模块和轻量化模型的同时捕获裂缝细节与全局信息,提高模型的检测精度。其次,设计C2f-GD模块实现模型特征高效融合,增强模型的泛化能力。最后,设计轻量级检测头L-GNHead,提高对不同尺度的裂缝检测精度,同时采用SIoU损失函数加速模型收敛。在自建的路基边坡裂缝数据集上的实验结果表明,改进算法与原算法相比,mAP50和mAP50-95分别提升了3.3%和2.5%,参数量和计算量分别降低了46.6%和44.4%,速度提高了18 f/s。在数据集RDD2022的泛化性验证结果表明,改进算法不仅达到更高的检测精度,且检测速度更快。