基于改进YOLOv5的道路病害检测算法研究

来源：计算机技术与发展杂志2025年第02期北京时间：

作者：文权锐;高玮军

摘要：受道路病害特征不明显、与背景对比度低等复杂因素的影响,基于传统数字图像处理技术的识别算法精度低。 而现有深度学习目标检测算法参数量大,不适合移动端实时检测。 为了更高效、准确地识别道路病害,提出一种基于 YOLOv5 的改进算法。 该算法致力于实现道路检测的实时性和精确度之间的平衡,通过引入轻量级 Ghost 模块用更少的参数生成更多的特征图,减少模型参数;将基于 CSP 结构中的 C3Ghost 模块重新设计成一种新型的 InceptionGhost 模块,实现从不同尺度进行特征提取,保障模型精度。 通过在骨干网络添加 CBAM 注意力机制进一步加强特征提取能力。 由于采集到的样本分布不均匀,使用 Focal-EIoU 损失函数改善样本数量不平衡的问题,提高模型的鲁棒性。 实验结果表明,改进后的算法较原有的 YOLOv5s 模型,mAP@ 0. 5 提高了 2. 5 百分点,同时参数量压缩了 36. 6% ,检测速度提高了 16. 9% ;并通过与目前先进算法和其他改进算法的对比表明,该算法在精度和参数量方面显示出明显的优越性。

关键词：目标检测;YOLOv5;轻量化;注意力机制;道路病害检测;特征提取