基于改进YOLOv8s的沥青路面裂缝检测方法研究

《Scientific Reports》：Enhanced YOLOv8s for lightweight asphalt pavement crack detection under complex road conditions

　　

摘要

裂缝是一种常见的路面病害，对面层整个生命周期内的结构完整性、交通安全和维护策略都有重大影响。本研究提出了一种基于改进YOLOv8s的框架，能够高效、准确地检测沥青路面裂缝。该模型旨在克服现有方法的主要局限性，例如性能有限、检测准确率较低以及在复杂路面条件下检测小尺度裂缝的能力有限。为优化边界框回归并提高裂缝实例的边界框定位精度，引入了Wise-IoU（WIoU）损失函数。此外，将Ghost Shuffle Convolution（GSConv）引入主干网络，以提高特征提取能力并降低计算复杂度。此外，设计了一种改进的C2f模块，以增强对小尺度和低对比度裂缝实例的检测能力。通过在由现场采集图像与公开可用的路面裂缝数据集合并构建的沥青路面裂缝数据集上的实验评估，验证了所提方法的有效性。对训练图像进一步施加常规数据增强操作，以提高数据多样性和模型泛化能力。实验结果表明，与原YOLOv8s模型相比，所提方法在平均精度均值（mAP）上最高提升3.2个百分点，在F1分数上最高提升4.0个百分点。此外，所提模型在复杂路面环境中表现更优，能够更有效地提取裂缝相关特征。结果表明，改进的YOLOv8s框架为沥青路面裂缝检测提供了一种准确、高效且智能的解决方案，是自动化路面病害评估与管理的一种有前景的方法。