关键词:
路面损伤检测
YOLOv7
卷积神经网络
Transformer
SimAM
摘要:
道路表面的损坏不仅会严重影响驾驶舒适性,还对行车安全造成威胁。若不及时检测和修复,可能导致交通事故的发生。因此,及时检测路面损伤对路面安全和维护有重要意义。针对现有路面损伤检测模型中存在识别精确度低和计算量大的问题,提出一种结合Transformer和SimAM轻量化路面损伤检测算法。首先,结合Transformer的优势,在模型中引入COT模块加强特征提取性能,其可以利用特征图的上下文信息构建自注意力机制,有效捕获路面损伤图像的上下文信息,加强信息表征能力。其次,针对不同大小的路面缺陷,提出MSC模块捕获全局信息,其可以结合多个池化操作动态地增加感受野的大小。同时,MSC模块与COT模块相结合,不仅有效减少了模型的计算量和参数量,而且进一步提升了检测精度。随后,融入SimAM注意力机制调节特征,增强模型在复杂场景下的特征表达能力,抑制无关特征的干扰。研究结果表明,改进算法的平均准确率为70.1%,其精度与YOLOv7、YOLOv7-tiny、YOLOv6-m、YOLOv5-l相比,分别提升2.8%、10.9%、10%、1.4%。此外,所提模型的计算量为40.3 G,约为YOLOv7、YOLOv7-x、YOLOv6-m、YOLOv5-l的38.4%、21.4%、49%、35.2%。通过与主流目标检测模型相比,所提出的模型在提高检测精度的同时,兼顾了模型的计算复杂度,在公开数据集上取得了良好的识别效果,能够有效地检测路面损伤。