Oct, 2023

基于 YOLOv8 的道路危害的视觉检测：坑洞、下水道盖和人孔

PDF
TL;DR在道路基础设施维护和保障道路安全中，有效检测道路危险是至关重要的。本研究评估了 YOLOv8，一种物体检测模型，在检测路面危险，如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析，强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构，并探索了旨在提高检测准确性的图像预处理技术，包括光照、道路类型、危险大小和类型的多样条件。此外，通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验，优化模型的性能。模型评估基于 Mean Average Precision (mAP)，这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数，本研究评估了模型的稳健性和泛化能力，强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。
发现论文，激发创造
  • YOLO9tr：一种利用广义高效层聚合网络和注意力机制的轻量级路面损坏检测模型

    本研究提出了 YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与 YOLO8、YOLO9 和 YOLO10 等先进模型相比具有更高的精度和推断速度，达到高达 136FPS 的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了 YOLO9tr 在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。

    Jun, 2024

  • 针对视障人士的户外障碍物检测研究

    深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像上的表现，并发现 YOLOv8 是最佳模型，其在包含 VOC、COCO 和 TT100K 数据集的 Obstacle 数据集上表现出 80% 的精确度和 68.2% 的召回率，尽管 YOLO-NAS 是最新的模型，在其他应用中表现更好，但对于障碍物检测任务来说并不理想。

    Dec, 2023

  • 利用 YOLOv7 和 ESRGAN 改进的坑洞检测

    提出一种通过超分辨率生成对抗网络 (SRGAN) 使用低分辨率相机或图像和视频流进行自动坑洞检测的算法，并使用 You Only Look Once (YOLO) 网络在低质量和高质量的车载摄像头图像上建立基线坑洞检测性能，然后通过图像增强的方式提高速度和准确性。

    Nov, 2023

  • 用 YOLO 模型和迁移学习推进道路标志检测

    本文使用了改进的 YOLOv5 和 YOLOv8 模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

    Jun, 2024

  • Cycle-YOLO: 一种高效稳健的路面损害检测框架

    本文提出了一个增强的道路损伤检测方法，利用 CycleGAN 和改进的 YOLOv5 算法，通过数据增强方法、注意力机制和空洞空间金字塔池化等技术，成功实现了道路损伤的实时、准确检测，并在实际应用中取得了良好结果。

    May, 2024

  • 基于 YOLOv8 的车辆速度检测系统：提升都市区域的道路安全和交通管理

    通过监测车辆速度来实现交通安全，本研究集中在对象识别与车辆速度估计的监督学习应用，针对孟加拉国特定的交通条件和安全问题，提出了一种高效可行的解决方案，这项工作对该领域做出了显著贡献。

    Jun, 2024

  • 从 YOLOv1 到 YOLOv8 以及未来 ——YOLO 的全面评估

    本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献，从原版 YOLO 到 YOLOv8，涵盖了标准度量和后处理、网络架构和训练技巧等方面，总结了 YOLO 发展的重要经验和展望其未来，强调提高实时目标检测系统的潜在研究方向。

    Apr, 2023

  • 基于改进 YOLOX 的路面物体检测算法研究

    本篇论文探讨了基于 YOLOX 算法的 DecIoU 边界框回归损失函数和 Push Loss 用于改进路面物体检测问题，并且通过采用动态锚箱机制提升了检测精度，实验在 KITTI 数据集上证明了该方法的有效性。

    Feb, 2023

  • 使用联网车辆数据和深度学习模型自动提取相关道路基础设施

    通过利用车联网数据和深度学习模型，在道路基础设施映射方面取得了显著的成果，提出了一种基于 geohashing 和 YOLOv5 算法的自动识别路口的新方法，实验证明了该方法的高准确性和广泛应用前景。

    Aug, 2023

  • 注意力增强网络与增强的泛化性能更好的 YOLO 算法在安全头盔检测中的应用

    在这项研究中，我们利用基于 Yolo 的模型用于安全头盔检测，在减少参数和 Flops 计数超过 25% 的同时，实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干，并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块，采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度，在提高准确性的同时，改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应，为安全头盔检测提供了一个全面的框架，达到了在准确性、泛化性和效率方面的卓越性能。

    May, 2024