RSG-YOLO:用于检测道路坑洼的高效神经网络

来源：计算机技术与发展杂志2025年第02期北京时间：

作者：吴铁钰;杨光;邹丽;

单位：1. 大连交通大学 轨道智能工程学院,辽宁 大连 116028;2. 大连市区块链技术与应用重点实验室,辽宁 大连 116028

摘要：道路在人类社会的发展中至关重要。 坑洼为道路缺陷最严重的一类,容易导致轮胎爆胎、车辆失控,严重影响行车安全。 道路坑洼检测有助于及时修复道路缺陷,提高行车安全性。 为了解决坑洼大小不同和形状复杂导致的多尺度特征提取困难、检测精度差等问题,该文以深度学习算法中 YOLOv8n 为基础进行改进,提出了 RSG-YOLO 模型。 模型中使用 RFCAConv,利用其动态感受野和避免卷积核参数共享的特性,使模型能够更好地捕捉不同尺度和位置的特征。 设计 C2f_Sequential Polarized self-attention 模块,帮助模型更好地捕获图像中的长程依赖关系和全局上下文信息,有效检测不同大小坑洼。 使用 GIoU 损失函数,其计算过程中对目标边界框的外接矩形的面积的考虑,可帮助模型更好地检测形状和尺寸变化较大的坑洼。 最后,经过多组实验结果验证,RSG-YOLO 模型相比于原 YOLOv8n 模型在 Precision、Recall、mAP50、mAP50-95、F1-score 指标上分别提高了 5. 0 百分点、2. 7 百分点、3. 0 百分点、4. 2 百分点和 3. 8 百分点。

关键词：道路坑洼检测;多尺度特征;深度学习;YOLOv8n;动态感受野