基于改进YOLOv4的公路路面病害检测算法

作者：罗晖; 贾晨^*; 李健

来源：激光与光电子学进展, 2021, 58(14): 336-344.

• 图像处理
• 公路路面病害
• YOLOv4
• 深度可分离卷积
• Focal loss
• 迁移学习
• 数据增广

针对公路路面病害存在的类别多、尺度变化大及样本数据集小导致的病害检测困难等问题,提出了基于改进YOLOv4的公路路面多尺度病害检测算法。首先,在CSPDarknet-53骨干网络中采用深度可分离卷积替代普通卷积,降低了网络参数计算量;然后,基于Focal loss改进YOLOv4的损失函数,解决了网络训练过程中正、负样本不平衡而导致的检测精度较低的问题;最后,借助迁移学习思想对YOLOv4网络进行预训练,并运用翻转、裁剪、亮度变换、噪声扰动等方法进行数据集扩充,解决了公路路面病害样本不足导致的网络训练过拟合问题。实验结果表明,所提基于YOLOv4+DC+FL算法对公路路面病害检测的平均精度均值可达到93.64%,相较于原始的YOLOv4检测网络提高了3.25%,检测每张图片平均时间为35.8ms,缩减了7.9ms。

• 单位
  华东交通大学