摘要：受道路病害特征不明显、与背景对比度低等复杂因素的影响,基于传统数字图像处理技术的识别算法精度低。而现有深度学习目标检测算法参数量大,不适合移动端实时检测。为了更高效、准确地识别道路病害,提出一种基于YOLOv5的改进算法。该算法致力于实现道路检测的实时性和精确度之间的平衡,通过引入轻量级Ghost模块用更少的参数生成更多的特征图,减少模型参数;将基于CSP结构中的C3Ghost模块重新设计成一种新型的InceptionGhost模块,实现从不同尺度进行特征提取,保障模型精度。通过在骨干网络添加CBAM注意力机制进一步加强特征提取能力。由于采集到的样本分布不均匀,使用Focal-EIoU损失函数改善样本数量不平衡的问题,提高模型的鲁棒性。实验结果表明,改进后的算法较原有的YOLOv5s模型,mAP@0.5提高了2.5百分点,同时参数量压缩了36.6%,检测速度提高了16.9%;并通过与目前先进算法和其他改进算法的对比表明,该算法在精度和参数量方面显示出明显的优越性。

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：针对目前道路病害检测方法参数量较大、小目标病害检测效果差且易出现误检、漏检的问题,提出一种基于改进YOLOv7-tiny的道路病害检测算法。引入深度可分离卷积(DSC)和无参注意力机制(SimAM)设计ELAN-SimAM-D结构,减少计算量和参数量以实现轻量化,同时加强模型的特征提取和特征融合的能力;引入自适应指数加权池化和自适应融合设计SPPAda结构作为空间金字塔池化结构,增强道路病害信息的保留程度,降低病害的漏检;新增P2小目标网络层,加强对较小目标病害的检测能力,提高模型的检测精度;设计新的损失函数NWD-EIOU替换原CIOU损失函数,提高小目标定位的精度。实验结果表明,相较于原始的YOLOv7-tiny算法,改进后的YOLOv7-tiny算法在自建实验数据集下mAP@0.5达到83.14%,提升了3.50%,召回率上提升了4.96%,模型的参数量降低了33.84%,能够满足道路病害检测的需求。

摘要：针对传统道路检测方法成本高、检测周期长,无法满足城市道路大规模、短周期检测需求的问题,本文设计了一种轻量化车载道路病害数据获取设备,并提出了基于轻量化车载设备的道路病害检测方法。该设备质量小、成本低,可简易、快速地安装在小汽车、公共汽车等城市常见车辆上,能够同步收集惯性数据、图像、GPS定位信息等数据。基于轻量化车载设备在城市道路上采集道路图片数据并构建数据集,然后建立深度学习模型对其进行训练和评估,检测和识别道路病害,正确率达82.54%,能够满足城市道路日常巡检的要求。

摘要：为充分利用三维探地雷达采集到的多视图雷达数据以提高其病害分类准确性,提出一种可同时利用多视图雷达图谱数据的端到端双塔模型。将多视图数据作为输入分别训练单视图的特征提取器,其中采用通道间自注意力机制自适应地提取单视图内重要特征;采用视图间注意力机制将双视图特征带权融合,以学习不同病害对于各视图的偏好;将融合特征经过多层感知机和Softmax归一化进行道路病害分类。实验结果表明,提出算法在真实道路数据中精度较高,达到94.62%,采用数据增强后精度进一步提升至95.78%。

摘要：针对道路病害区域小、类别数量不均衡导致检测困难的问题,提出基于YOLOv7-tiny的道路病害检测算法RDD-YOLO。首先,采用K-means++算法得到拟合目标尺寸更好的锚框。其次,在小目标检测支路上使用量化感知重参数化模块(QARepVGG),增强浅层特征提取,同时构建加强注意力模块(AM-CBAM)嵌入颈部的3个输入,抑制复杂背景干扰。然后,设计特征融合模块(Res-RFB),模拟人眼扩大感受野融合多尺度信息,提高表征能力;另外,构造轻量级解耦头(S-DeHead)提高小目标检测精确率。最后,采用归一化Wasserstein距离度量(NWD)优化小目标定位过程,并缓解样本不均衡问题。实验结果表明,与YOLOv7-tiny相比,RDD-YOLO算法在仅增加0.71×10^(6)参数量和1.7 GFLOPs计算量的成本下,mAP50提高6.19个百分点,F1-Score提高5.31个百分点,并且检测速度达到135.26 frame/s,满足道路养护工作中对检测精度和速度的需求。

摘要：本文简要概述了探地雷达的应用现状,阐述了在城市道路病害检测中基于探地雷达法的干扰源图像建立和特征分析的重要性。介绍了探地雷达法的工作原理,根据实际工程资料,总结了城市道路病害检测中常见的干扰源类型及其特征图像,分别对不同种类的干扰源在探地雷达图像上的电磁波传播特征进行了详细分析,提出了采用探地雷达物探技术进行城市道路病害检测时削弱干扰的有效手段。

摘要：结合无人机和深度学习目标检测算法自动检测道路病害具有范围广、成本效益高等优势。然而,道路病害的形状和大小变化剧烈,很难完整检测它们。此外,受限于计算资源,通用的目标检测算法只适用于小尺寸影像(512像素×512像素或640像素×640像素),很难直接应用于大尺寸的无人机影像(5 472像素×3 648像素或7 952像素×5 304像素)。使用传统方法检测大尺寸影像中的多尺度目标会出现大尺寸目标切分、小尺寸目标漏检等问题。针对上述问题,本文提出了一种结合全局-局部多尺度融合策略和YOLOv5-RDD的创新解决方案。(1)构建了YOLOv5-RDD模型,在现有YOLOv5模型的基础上,设计多尺度C3(MSC3)模块和上下文特征金字塔网络(CFPN),增强了对多尺度目标的检测能力。(2)提出了一种全局-局部多尺度融合策略,利用下采样和切分手段获取大尺寸无人机影像的全局和局部信息,然后叠加全局和局部多尺度信息以获取整个大尺寸影像的多尺度信息,并采用中心非极大值抑制算法优化检测结果。(3)为验证所提方法的有效性,创建了一个专门用于无人机道路病害检测的UAV-RDD数据集。实验结果显示,与原始的YOLOv5模型相比,新模型YOLOv5-RDD在mAP上提升了5.8%,而全局-局部多尺度融合策略相比传统方法在mAP上提升了9.73%,充分证明了本文方法的有效性和优越性。

摘要：为研制面向道路病害自动化检测业务的智能道路检测机器人系统,考虑到机器人检测作业时的定位和轨迹精度,设计基于四转四驱结构的轮式机器人运动底盘,构建基于差分GPS、惯性传感器和编码器等多源传感器数据融合的定位导航系统;结合道路表观损伤和内部损伤特征,搭建基于面阵相机的道路表观图像采集系统以及基于三维探地雷达的道路结构层信息采集系统,并给出基于探地雷达反射波特征的道路隐性病害分析方法。在福建省某公路主干道开展实际工程检测应用,并完成现场开挖验证。工程应用及验证结果表明,道路检测机器人系统能够在划定的检测作业区域内实现自主导航、路径规划,并完成道路表观图像及探地雷达数据的自动采集任务。根据探地雷达数据检测出的疏松、脱空、富水和内部裂缝等多处道路结构层隐性病害,包括病害的类型及位置,与现场开挖验证得到的结果一致,证明道路检测机器人在病害自动化检测中的有效性。

摘要：道路病害检测对于确保道路的安全性和可持续性至关重要,对城市和社会的发展具有积极作用。为提高目前道路病害检测模型的性能,文中提出一种基于改进YOLOv8的道路病害检测算法。设计一种新型高效的特征融合模块(DWS),提高模型获取特征信息和全局上下文信息的能力;提出将ECABlock、LeakyReLU激活函数与卷积相结合的新模块ELConv来提高深层网络对目标的定位能力;另外,使用Dynamic Head检测头替换原始YOLOv8的头部,结合尺度、空间和任务三种注意力机制提升模型头部表征能力;最后,采用WIoU损失函数代替原损失函数来改善边界框精确度和匹配度。相比基线模型,改进模型在road damage detection数据集和RDD2022_Japan数据集上都得到了有效的验证,表明改进模型满足当下道路病害检测的需求,展示了高灵活性、准确性和效率。