摘要
بالنظر إلى دقة خوارزميات كشف أمراض الطرق في الوقت الحالي منخفضة, ويتسبب تغير مقياس الأمراض وتعقيد البيئة في انخفاض دقة الكشف, فقد تم تقديم خوارزمية كشف امراض الطرق في المدينة YOLOv8-road. أولاً, تم إدخال آلية انتباه الإدراك متعدد المستويات (MLPA) في الشبكة الرئيسية لالتقاط العلاقات الطويلة المسافة واستخراج معلومات سياقية غنية, وتعزيز قدرة التعبير عن ميزات الأمراض, مما يجعل النموذج مركزاً على منطقة الأمراض. ثم, تم إدخال وحدة DWR_Conv (Dilated Wrapping Residual Convolution) في هيكل الرقبة للحصول على C2f_D وحدة لاستخراج ميزات متعددة المقاييس والتقاط ميزات أمراض أدق, وتقليل تداخل الخلفية الطريق. أخيرًا, تم استخدام وظيفة خسارة WIoU لتحسين تكيف الهدف مربع وزيادة تأثيرها على النموذج, وتقليل التأثير السلبي للعينات ذات الجودة المنخفضة على تعلم النموذج. تشير نتائج التجربة إلى أن mAP50 لنظام YOLOv8-road بلغ 98.5٪, وكانت الدقة ومعدل الاسترجاع 96.8٪ و 96٪ على التوالي, حيث زادت بنسبة 4.2٪ و 3.6٪ و 4.7٪ على التوالي مقارنة بالنموذج الأصلي YOLOv8n. بالمقارنة مع نماذج كشف الأهداف الرئيسية الأخرى, يظهر نظام YOLOv8-road أداء كشف جيد في مهام كشف أمراض الطرق في الهندسة الطرقية الفعلية, ويمكنه تلبية متطلبات تطبيقات الهندسة الطرقية.
关键词
road engineering;road defect;YOLOv8n;YOLOv8-road;attention mechanism