基于改进YOLOv8的路面病害检测模型

作     者：侯勇严 梁扩旺 郭文强 郝磊 郭志高 董白杨 HOU Yong-yan;LIANG Kuo-wang;GUO Wen-qiang;HAO Lei;GUO Zhi-gao;DONG Bai-yang

作者机构：陕西科技大学电气与控制工程学院陕西西安710021 陕西科技大学电子信息与人工智能学院陕西西安710021 斯特拉斯克莱德大学计算机科学学院英国苏格兰格拉斯哥市G11XQ 

出 版 物：《陕西科技大学学报》 (Journal of Shaanxi University of Science & Technology)

年 卷 期：2025年第43卷第3期

页      面：166-173页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：陕西省重点研发计划项目(2024GX-YBXM-113) 陕西省西安市科技计划项目(23GXFW0004) 

主　　题：路面病害 YOLO 注意力机制 双向特征金字塔 

摘      要：针对现有路面病害检测模型存在特征提取能力弱、特征融合能力不足、未能有效平衡检测精度与轻量化等问题,提出了一种利用通道先验卷积注意力(CPCA)机制和双向特征金字塔网络(BiFPN)改进YOLOv8的路面病害检测模型--YOLOv8n-CB.在YOLOv8n的主干网络引入CPCA机制,动态调整通道和空间维度上的注意力权重,增强对小目标的特征提取能力,提高模型的检测精度;其次,将颈部网络替换为加权BiFPN,通过新增加权跳跃连接机制,在实现模型轻量化的同时,提高对小目标的特征融合能力.在China_Mix路面病害数据集上的实验结果表明,改进后的模型mAP@0.5、mAP@[0.5-0.9]与原始模型相比可分别提升1%与2.90%,F1-score提升2%,并且参数量降低29.33%,浮点数运算次数也降低了9.88%.通过与其他YOLO模型的实验对比,本模型的有效性和优越性得到了进一步的验证,为公路综合运输安全风险防控智能化提供了技术支持.