通过多尺度边缘增强和特征聚合金字塔来检测路口盖缺陷
Jing Liu1, Jianyong Zhao2, Yanyan Cao2
1Xi'an Key Laboratory of Human-Machine Integration and Control Technology for Intelligent Rehabilitation, School of Computer Science, Xijing University, Xi'an, 710123, China. liujing@xijing.edu.cn.
Scientific reports
|March 26, 2025
概括
这项研究介绍了EEFA-YOLO,这是一种改进的深度学习方法,用于检测道路通道盖的缺陷. 它通过专注于边缘细节和特征聚合来提高准确性,这对于城市基础设施安全至关重要.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 城市基础设施管理城市基础设施管理
背景情况:
- 道路通道盖的缺陷对城市基础设施的安全性和维护效率构成风险.
- 现有的深度学习模型与各种缺陷外观,复杂的背景和微妙的特征差异作斗争.
研究的目的:
- 开发一种增强的物体检测方法,EEFA-YOLO,用于准确地识别道路人孔盖缺陷.
- 通过解决特征提取和尺度差异的局限性来提高检测性能.
主要方法:
- 引入了多尺度边缘增强 (MSEE) 模块,以提高对微妙物体和边缘细节的灵敏度.
- 实施了特征聚合金字塔 (FAP) 模块,以确保在各个尺度上统一的上下文信息.
- 创建了一个多样化的数据集的道路通道盖与四个缺陷类别:好的,破碎的,丢失的,和不对齐.
主要成果:
- 与基线YOLOv11和Faster-RCNN相比,EEFA-YOLO方法在大多数评估指标上取得了更高的性能.
- 证明了卓越的准确性,其mAP至少比YOLOv11.5高1.5%,比YOLOv11.5高1%.
- 在检测中大规模目标方面表现出极好的适应能力.
结论:
- 通过精确的缺陷检测,EEFA-YOLO为智慧城市管理和道路维护提供了有效的解决方案.
- 新型的MSEE和FAP模块显著提高了检测路口盖缺陷的性能.
- 开发的数据集为训练和验证先进的缺陷检测算法提供了强大的支持.
