基于改进YOLOv8的道路缺陷检测

来源：电子测量技术杂志2025年第14期北京时间：

作者：王晓雯，于骐瑞，常居泰

单位：山西大学物理电子工程学院 太原 030006

摘要：针对目前道路缺陷检测模型在复杂背景下检测精度不高、计算复杂度高、错检漏检率高的问题，本文基于YOLOv8模型进行了改进。首先，在模型的特征提取网络(Backbone)中融入EMA注意力机制，提高模型的特征表示能力，同时保留重要信息、减少计算成本；其次，将轻量级的特征融合网络结构SlimNeck与加权特征融合机制Weighted Fusion结合构成新的颈部网络结构SWNeck,有效降低模型参数量与计算复杂度，提高特征融合效率，减少噪声的特征冗余；最后，引入Slide Loss权重函数，给难以正确分类的样本赋予更大的权重，提高模型对于道路缺陷中的难样本数据的学习能力，进一步增强模型检测性能。实验结果表明，改进后的道路缺陷检测模型相较于原YOLOv8n模型mAP提高2.7%，模型参数量、计算量分别降低7%和10%。

关键词：道路缺陷检测;YOLOv8;注意力机制;Slide Loss

基金资助：山西省基础研究计划项目(202203021222016)资助