基于YOLOv8s的道路坑洼檢測技術研究

摘要：文章從YOLO的部署、數據集的構建、模型的訓練到模型的應用全過程，研究了基于YOLOv8s目標檢測算法的道路坑洼檢測技術在城市道路坑洼檢測中的應用，以實現對道路的各種類型和尺寸坑洼的準確檢測。實驗結果表明，該技術在準確性、速度和穩定性方面都具有顯著優勢，與傳統人工方法相比，檢測效果明顯提升，為道路維護和安全提供了更為可靠和高效的解決方案。

關鍵詞：目標檢測；YOLOv8s；道路檢測；深度學習

中圖分類號：U495" " " "文獻標識碼：A" " " DOI：10.13282/j.cnki.wccst.2024.11.009

文章編號：1673-4874（2024）11-0028-03

引言

道路病害對經濟發展和通行安全的影響應得到廣泛關注，道路病害的及早發現與治理可以提升道路使用壽命［1-4］。同時，道路坑洼對行車安全有直接而重要的影響。坑洼可能導致車輛失去穩定性，增加交通事故的風險，尤其是在高速行駛時更為危險；坑洼還會損壞車輛懸掛系統和輪胎，增加車輛維護成本，甚至可能導致嚴重的機械故障。此外，駕駛員為了避免坑洼往往需要進行突然的轉向或剎車動作，這增加了駕駛員的疲勞和應激，降低了行車的舒適性和安全性。因此，針對早期裂縫進行及時有效的維護，對后續道路養護工作及行車安全等方面具有重要意義［5-7］。傳統人工路面檢測效率低、成本高，且有一定的危險性，而YOLO作為新興的目標檢測技術［8-10］，相比人工檢測，YOLO算法具有顯著的優勢。其速度快，能夠實時進行圖像檢測，減少了人力成本和時間開銷；具有自動化的特點，不需要人為干預，減少了主觀因素的影響，提高了檢測的一致性和可靠性；此外，YOLO具有良好的擴展性和適應性，可以應用于各種不同場景，并且能夠通過大規模數據集學習到各種目標的特征，具有更好的泛化能力。

1YOLOv8目標檢測算法

YOLOv8是一種目標檢測模型，其設計由三個關鍵部分組成：骨干網絡（Backbone）、頸部（Neck）和檢測頭（Head）。

骨干網絡部分，主要進行特征信息的提取工作，相比于YOLOv5，YOLOv8使用全新的C2f結構替換了C3結構，可以提取不同尺度的特征信息。

頸部部分，主要負責特征融合工作，同樣使用了C2f模塊替換C3模塊，并采用了PAN-FPN的思想，實現了自上而下和自下而上的特征金字塔。與此同時，去除了上采樣前的1×1卷積，直接對不同階段輸出的特征進行上采樣操作。

檢測頭部分，與YOLOv5相比，采用了Anchor-Free的解耦頭結構，將分類和回歸分開，不再依賴先驗的錨框。此外，還使用了DFL（Distribution Focal Loss）的回歸分支，取代了傳統的Focal Loss，以更好地處理類別不平衡和難易樣本的問題。

2試驗測試

2.1YOLOv8的環境搭建

本文試驗在Windows10的PyCharm平臺上實現。需要安裝PyTorch，PyTorch是一個開源的機器學習框架，主要用于構建深度學習模型，YOLO可以在PyTorch框架中實現和部署。接著下載YOLOv8的源碼，進行pip源碼安裝。

2.2構建用于模型訓練的數據集

本文采用的數據集來自RDD（Road Damage Detector）2022版本。RDD是一個用于道路損害檢測的數據集，旨在支持計算機視覺領域中相關研究和應用的發展。該數據集包含了大量的道路圖像以及與之對應的標注信息，用于訓練和評估道路損害檢測算法，其中圖像為JPG存儲格式，圖像分辨率為720 dpi×720 dpi。由于RDD的標注文件格式與YOLO要求的標注文件格式不符，本文選擇重新對道路圖像中的坑洼進行標注，步驟如下：

（1）進入數據集標注網站，上傳包含坑洼的道路圖像。

（2）新建標簽，由于本文只對道路坑洼進行訓練和檢測，這里只創建一個名為pothole的標簽。

（3）[JP3]選取目標，框出道路圖像上的坑洼，網站會自動生成該圖像的標注文件，框選過程和坑洼類型如圖1所示。

（4）導出標注文件，makesence網站支持導出適合YOLO框架的標注文件，最后得到和圖像文件名一樣的txt格式的標注文件。

2.3訓練道路坑洼檢測模型

本文標注了150幅包含坑洼的道路圖像，將其中88幅作為訓練集，用于訓練模型參數；43幅作為驗證集，用于調整超參數和模型結構；19幅作為測試集，用于評估模型的性能和泛化能力。試驗的CPU型號為AMD Ryzen 5600x，GPU型號為NVIDIA GeForce GTX 1080ti，內存16 g。CUDA版本為11.6，編程語言為Python。

網絡訓練參數設置如下：選擇YOLOv8s版本，總迭代次數為300次，每次輸入模型的圖像數量（batch size）為32，初始學習率（Learning Rate）為0.01，學習率動量（Learning Rate Momentum）為0.95，權重衰減系數（Weight Attenuation Coefficient）為0.000 5。

2.4測試訓練后的檢測模型

模型訓練結束后得到.pt格式的模型文件，利用該模型文件，對測試集上的道路圖像進行坑洼檢測，對模型的輸出結果進行后處理操作，如過濾掉置信度低的邊界框、非極大值抑制（NMS）等。

3實驗結果分析

3.1訓練結果分析

觀察圖2，發現隨著訓練次數增加，錨框損失率和分類損失率不斷減小，[JP]這是因為模型在訓練過程中逐漸學

習到了更好的特征表示和參數調整，隨著迭代次數的增加，模型會不斷地調整權重和參數，以最小化訓練數據的損失函數。損失曲線隨著迭代次數的增多而減小，表明模型訓練正在有效進行，并且模型在學習過程中逐漸提高了對目標的檢測能力。

進一步觀察圖2發現，分類損失曲線在訓練中后期已經接近水平，錨框損失曲線也趨于平穩，當損失曲線接近水平時，通常表明模型的訓練已經收斂到一個穩定的狀態。這表明模型已經學習到了數據的特征，并且在當前參數設置下，進一步訓練只會造成時間和計算成本的損失，即意味著模型已經能夠準確地對目標進行分類和定位。

3.2測試結果分析

測試結果選取部分展示如圖3所示。觀察圖3，可以發現模型準確地定位和識別出了道路圖像上的坑洼。

為了定量評估模型的準確性，引入如下指標，包括精確率（Precision）和召回率（Recall），公式如下：

P=TPTP+FP（1）

R=TPTP+FN（2）

式中：P——精確率；

R——召回率；

TP、FP、FN——真正例、假正例和假負例，其對應了混淆矩陣中的三種情況。真正例即為判斷正確的預測框，假正例即為類別預測錯誤的誤判，假負例即應檢但未能檢測出的漏判。

精確率是指模型檢測到的物體中真正被正確檢測到的比例，召回率是指真正被檢測到的物體與總共需要檢測到的物體的比例。測試集中包含22處坑洼，模型檢測到21處真正例、2處誤判、1處漏檢。精確率和召回率如表1所示。

下頁圖4展示了測試集上21處真正例的IoU（Intersection over Union）數據，IoU是模型檢測結果的重疊度量，表示模型檢測到的目標區域與實際目標區域之間的重疊程度，IoU越接近1，表示模型檢測的準確性越高。

4模擬霧天環境檢測圖

4.1模型霧天環境

霧天影響行車安全，為了模擬霧天導致的視野不清晰，本文采用標準光學模型［11］來模擬霧氣。標準光學模型是基于光線與水滴或懸浮微粒之間相互作用的理論框架，用于模擬霧氣效果。在這個模型中，當光線穿過含有水滴或微粒的大氣時會發生散射和吸收現象。散射使光線的傳播路徑發生偏轉，而吸收則減弱了光線的強度。這些過程導致了在霧氣中看到物體時的模糊效果，遠處物體的輪廓變得不清晰。通過調整散射和吸收參數，可以控制霧氣的密度和強度，進而模擬不同條件下的霧氣效果，使圖像更加真實和逼真。對測試集的圖像添加霧氣，部分模擬結果如圖5所示。

4.2霧天環境下的檢測

在對測試集的圖像增加霧氣模擬后，再次用本文訓練后的坑洼檢測模型進行檢測，以測試模型抗霧天環境干擾的魯棒性。部分結果如圖6所示，可以發現，即使有一定的霧氣存在，YOLOv8s訓練的模型依然能準確檢測出坑洼。

5結語

本文提出的基于YOLOv8s的道路坑洼檢測方法在實驗中展現了出色的性能。通過構建適用于道路坑洼檢測的數據集，并利用YOLOv8s進行訓練，本文實現了對道路中各種類型和尺寸的坑洼的準確檢測，并模擬了霧天環境下的坑洼檢測。試驗結果表明，本文的方法在準確性、速度和穩定性方面都具有顯著優勢。與傳統人工方法相比，檢測效果明顯提升，為道路維護和安全提供了更為可靠和高效的解決方案。

參考文獻：

［1］Asher S，Novosad P.Rural roads and local economic development［J］.American economic review，2020，110（3）：797-823.

［2］De Soyres F，Mulabdic A，Murray S，et al.How much will the Belt and Road Initiative reduce tradecosts［J］.International Economics，2019（159）：151-164.

［3］Chen S，Kuhn M，Prettner K，et al.The global macroeconomic burden of road injuries：estimates andprojections for 166 countries［J］.The Lancet Planetary Health，2019，3（9）：390-398.

［4］牛為華，殷苗苗.基于改進YOLOv5的道路小目標檢測算法［J］.傳感技術學報，2023，36（1）：36-44.

［5］王鉦棋，邵潔.基于先驗顯著性信息的道路場景目標檢測［J］.計算機工程與應用，2023，59（21）：251-257.

［6］郭克友，王蘇東，李雪，等.基于Dim env-YOLO算法的昏暗場景車輛多目標檢測［J］.計算機工程，2023，49（3）：312-320.

［7］岳曉新，賈君霞，陳喜東，等.改進YOLOv3的道路小目標檢測［J］.計算機工程與應用，2020，56（21）：218-223.

［8］Bochkovskiy A，Wang C Y，Liao H Y M.YOLOv4：Optimal Speed and Accuracy of Object Detection［J］.Computer Science，2020（4）：216080778.

［9］Redmon J，Farhadi A.YOLOv3：An Incremental Improvement［J］.arXiv e-prints，2018（4）：180402767.

［10］Redmon J，Farhadi A.YOLO9000：better，faster，stronger［C］.Proceediof the IEEE Conference on Computer Vision and Pattern Recognition，2017.

［11］汪昱東，郭繼昌，王天保.一種改進的霧天圖像行人和車輛檢測算法［J］.西安電子科技大學學報，2020，47（4）：70-77.

作者簡介：羅偉（1988—）碩士，工程師，主要從事公路工程信息化研究工作。

收稿日期：2024-05-16