CAR-YOLO:一种用于路面缺陷检测的轻量级改进YOLOv11模型
《Applied Sciences》:CAR-YOLO: A Lightweight Improved YOLOv11 Model for Pavement Defect Detection
【字体:
大
中
小
】
时间:2026年08月30日
来源:Applied Sciences 2.5
摘要
路面退化会带来巨大的技术经济负担,并引发显著的社会环境风险:路面质量下降会增加车辆维护成本、提高交通事故概率、降低交通运输运营效率,并因燃油消耗加剧而产生额外的碳排放。因此,自动路面缺陷检测是及时开展道路养护、缓解上述不利后果的关键技术前提。然而,现有方法存在两个显著局限:在复杂场景下对细微缺陷的漏检问题以及模型复杂度较高的问题。为克服上述局限,本文提出了一种名为CAR-YOLO的轻量级路面缺陷检测算法,该算法基于改进的YOLOv11n构建。首先,引入了一种基于卷积的上下文引导模块,以增强对缺陷上下文信息的利用,从而提高细微缺陷的特征表示质量和检测精度。其次,将原有的颈部网络替换为注意力尺度序列融合框架(ASF),通过融合多尺度特征来提升对细微且纹理复杂的路面缺陷的检测性能。最后,将轻量级RepViT网络引入主干网络,在保持检测精度的同时简化模型架构并降低模型复杂度。实验结果表明,CAR-YOLO模型在RDD2022中国无人机数据集上达到了63.8%的mAP50,比基线模型YOLOv11n高出约5%。参数量从2.58 M减少至1.71 M,压缩比达到33.6%;计算负载从6.3 G降至4.4 G,降幅约30.2%。在实现更高检测精度的同时,所提算法有效降低了参数量规模和计算开销。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号