基于改进YOLOv4的无人机影像路面病害检测方法

作者：安学刚; 党建武^*; 王阳萍; 岳彪

来源：无线电工程, 2023, 53(06): 1285-1294.

• YOLOv4
• 无人机影像
• 深度可分离卷积
• SE
• 自适应特征融合
• Focal Loss

针对无人机影像下由于目标特征融合不充分导致的路面病害检测精度较低、检测模型较大，导致无法将其迁移到移动端运行，以及现有无人机路面病害检测数据集数量小且样本不均衡等问题，在YOLOv4模型的基础上做了以下改进：采用深度可分离卷积(DC)作为YOLOv4中卷积方式以减少模型计算的参数量；为了更好地利用各通道之间的有效信息引入了Squeeze-and-Excitation(SE)模块，按照每个通道的重要性分配不同的权重，有效利用通道间的信息；通过引入自适应空间特征融合(Adaptively Spatial Feature Fusian, ASFF)模块，充分学习高低层之间的特征信息，自适应地学习各尺度特征映射融合的空间权重，解决由于YOLOv4中特征金字塔网络(Feature Pyramid Network, FPN)和路径聚合网络(Path Aggregation Network, PANet)特征融合不充分问题；使用Focal Loss损失函数进行训练，解决了现有无人机路面病害检测数据集各种样本之间类别不均衡造成的部分检测结果精度较低的问题；通过自制数据集以及现场实验对所提方法进行验证。实验结果表明，所提方法较原始YOLOv4模型平均检测精度提高了7.51%,并且所提方法在无人机影像的路面健康检测中能够快速地检测出路面的破损位置及类型，且性能优于对比方法。

• 出版日期2023
• 单位兰州交通大学