基于CBAM和EIoU的YOLOv5路面坑洼检测提升82%

本文主要探讨了基于改进的YOLOv5算法在路面坑洼检测领域的应用。YOLOv5是一种先进的目标检测模型，因其高效实时的性能而广受关注。原有的YOLOv5在处理小目标和密集目标时，其检测精度可能存在不足。为了提升检测效果，研究者们在YOLOv5的基础上引入了Convolutional Block Attention Module (CBAM)注意力机制，这一模块增强了模型对图像中关键特征的聚焦能力，使得模型能够更加敏锐地捕捉到坑洼这类小目标的重要特征。 此外，文章还提出了将传统的Intersection over Union (IoU)损失函数替换为Efficient Intersection over Union (EIoU)的策略，这种改进旨在提高模型对于目标边界的理解和预测准确性，从而提升整体的检测精度。实验结果显示，经过这些优化，改进的YOLOv5模型在Annotated Potholes Image Dataset这一公开数据集上的mAP值达到了82%，相较于原始的YOLOv5有显著提升，约6.7%的性能增强，显示出在复杂路面环境中对坑洼检测的有效改进。 本文的研究不仅关注技术细节，如网络架构的调整和优化，还包括了对学术规范的遵循，确保了研究成果的严谨性和创新性。作者何幸、黄永明和朱勇在2023年2月提交了这篇论文，并于同年4月在网络首发，发表在《电子科技》杂志上。根据期刊出版流程，录用定稿在被确认后，会在《中国学术期刊（网络版）》上以网络首发的形式提前发布，这标志着该研究成果正式进入出版阶段。 这项研究为解决实际道路工程中的路面坑洼检测问题提供了一种有效的方法，对于提升驾驶安全具有重要意义，并展示了深度学习在计算机视觉任务中的应用潜力。