一种用于实例细分和量化桥面裂的新型模型 - - YOLOv8-AFPN-MPD-IoUU 的模型
Chenqin Xiong1, Tarek Zayed1, Xingyu Jiang2
1Department of Building and Real Estate, Faculty of Construction and Environment, The Hong Kong Polytechnic University, Kowloon, Hong Kong 999077, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
一个新的深度学习模型,YOLOv8-AFPN-MPD-IoU,准确地检测和量化桥梁表面裂,改进了现有的基础设施安全方法.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 表面裂是基础设施损坏的关键指标,需要可靠的检测方法.
- 手动检查桥梁是否有裂是不可靠的,耗时的和危险的.
- 自动裂检测对于确保结构健康和安全至关重要.
研究的目的:
- 开发一种新的深度学习模型,用于精确地细分和量化桥面裂的实例.
- 增强特征融合和几何特征探索,以改善裂特征.
- 为手动桥梁检查提供自动化,准确和高效的替代方案.
主要方法:
- 使用YOLOv8s-Seg作为骨干,例如细分.
- 整合了一个非对称特征金字塔网络 (AFPN) 进行先进的特征融合.
- 引入了最小点距离 (MPD) 作为损失函数,以更好地捕捉裂几何.
- 用Euclidean距离的中间通道转换来计算裂尺寸.
主要成果:
- 提出的YOLOv8s + AFPN + MPDIoU模型实现了90.7%的精度,70.4%的回忆率和79.27%的F1得分.
- 实现了75.3%的mAP50和74.80%的mAP75,超过了当代模型,如YOLOv8变体和Mask-RCNN.
- 在F1得分,mAP50和mAP75中分别有至少0.46%,1.3%和1.4%的改善.
- 测量误差率保持在5%或以下.
结论:
- 开发的YOLOv8-AFPN-MPD-IoU模型为准确的桥面裂检测和量化提供了强大的解决方案.
- 这种深度学习方法显著提高了基础设施评估的效率和可靠性.
- 该模型为维护结构完整性和确保桥梁公共安全提供了有价值的工具.
