基于改进的YOLOv11的自动道路损坏识别,具有多尺度特征提取和融合注意机制
Linxuan Zhang1, Yu Deng1, Yuelin Zou2
1School of Civil Engineering and Architecture, Guangxi University of Science and Technology, Liuzhou, China.
PloS one
|September 26, 2025
概括
本研究介绍了一种改进的YOLOv11模型用于道路损坏检测,提高了小物体识别和效率. 新方法在复杂的环境中提高了准确性,支持更安全的道路和智能交通系统.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 土木工程 土木工程是指土木工程.
背景情况:
- 城市化和交通增长需要有效的道路损坏检测,以确保安全和维护.
- 传统的方法是低效的,昂贵的,容易出错.
- 深度学习模型面临的挑战是小物体,复杂的背景和实时处理.
研究的目的:
- 提出使用YOLOv11.11改进的道路损坏检测方法.
- 为了提高检测小路损坏和提高模型效率.
- 为智能道路基础设施管理提供实用解决方案.
主要方法:
- 开发了YOLOv11-ATL模型,结合了微型物体检测层,用于多尺度的特征融合.
- 整合了一个全球关注机制,专注于关键地区和减少噪音.
- 通过轻量级卷积模块 (C3k2CrossConv,C3k2Ghost) 优化了网络,以减少计算复杂性.
主要成果:
- 在RDD2022数据集上,YOLOv11-ATL模型实现了显著的性能提升.
- 在mAP@0.50中表现出3.2%的改善,在mAP@0.50中表现出3.1%的改善:0.95.
- 在复杂的环境中展示了强大的性能,在准确性和效率之间取得了平衡.
结论:
- 拟议的YOLOv11-ATL方法为智能道路损坏检测提供了有效的解决方案.
- 该方法支持城市基础设施管理和智能交通系统的开发.
- 该模型在检测精度和计算效率之间提供了实用的平衡.