Un modelo ligero de fusión de características a escala cruzada basado en YOLOv8 para la detección de defectos en...

Área de la Ciencia:

• Ingeniería civil
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La integridad de las tuberías de alcantarillado es vital para la infraestructura urbana.
• La detección de defectos de alcantarillado es un desafío debido a problemas de escala múltiple, fondos complejos, variaciones de iluminación y diversos tipos de defectos.

Objetivo del estudio:

• Desarrollar un modelo ligero y preciso para la detección de defectos de tuberías de alcantarillado.
• Mejorar las capacidades de extracción y fusión de características de los modelos de detección de objetos existentes para entornos de alcantarillado.

Principales métodos:

• Propuso un modelo ligero de fusión de características a escala cruzada basado en YOLOv8.
• Módulos integrados C2f-FAM y HS-BiFPN para una mejor extracción de características a escala múltiple y fusión semántica.
• Utilizado DySample para mejorar la captura de detalles en entornos complejos.
• Entrenó y evaluó el modelo en el conjunto de datos de Sewer-ML, incluida la ampliación de datos.

Principales resultados:

• Se logró un aumento del 3,8% en la precisión media (mAP) en comparación con el modelo YOLOv8n.
• Parámetros del modelo reducidos en un 35%, operaciones de punto flotante en un 21% y tamaño del modelo en un 33%.
• Capacidad mejorada para distinguir antecedentes complejos y diversas morfologías de defectos.

Conclusiones:

• El modelo propuesto ofrece una solución ligera y precisa para la detección de defectos de tuberías de alcantarillado.
• Las mejoras en la fusión de características y la captura de detalles son efectivas en entornos de alcantarillado desafiantes.
• El modelo muestra un importante potencial de aplicación práctica en el mantenimiento de la infraestructura urbana.