来源：期刊VIP网 时间：
作者：王子龙;陈慈发;董方敏;
单位：水电工程智能视觉监测湖北省重点实验室;湖北省建筑质量检测装备工程技术研究中心;三峡大学计算机与信息学院;荆楚理工学院大数据研究中心;
摘要：针对现有道路裂缝检测算法精度低、参数计算量大、易漏检误检等问题，文中提出一种基于YOLOv8n改进的轻量型检测算法RD-YOLO。首先，在特征提取网络中融入创新设计的重参数化RI模块和BAM构建全新的RB＿C2f，在大幅降低网络参数量和计算复杂性的同时，实现对裂缝特征跨维度的交互与融合；其次，引入SEA机制，结合重参数化RI模块，提出原创SR融合模块，深度挖掘裂缝的高阶语义信息，提高模型表征能力及泛化性；最后，提出创新模块IS＿C2f，采用可分离自注意力（SSA）机制结合倒残差结构进行特征映射的权重再分配，加快模型收敛的同时，再次增强检测精度，降低模型处理微小或密集裂缝时可能发生的特征损失。实验结果表明，在RDD2022数据集上，改进后的RD-YOLO模型相比原始YOLOv8n网络，在参数量降低1.5%、计算量降低13.2%的情况下，mAP@0.5提高至72.7%，增长幅度达到4.0%，显著加强了模型对道路裂缝的检测能力。
关键词：深度学习;;YOLOv8n;;道路裂缝检测;;轻量化;;注意力机制;;Transformer
基金资助：国家自然科学基金新疆联合基金重点项目(U1703261)
