基于YOLOM算法的路面病害轻量化检测方法

来源：中国血液净化杂志2024年第12期北京时间：

作者：胡晓伟, 闫奕昕, 王大为, 张宇辉

单位：1. 哈尔滨工业大学　交通科学与工程学院，黑龙江　哈尔滨　150090","2. 哈尔滨工业大学（深圳）　建筑学院，广东　深圳　518055

摘要：<p>准确且轻量化的路面病害检测能够有效降低路面检测设备硬件需求、加快道路巡检效率，对于公路的智慧养护管理高质量发展具有重要意义。针对现有路面病害检测方法存在的精确度不足问题，提出一种融合状态空间模型的YOLOM路面病害轻量化检测方法。首先，针对路面病害检测任务训练特点，设计多扫描模式的视觉Mamba层，调整数据归一化方法，以更适合训练批次较小的图像特征快速提取；设计了并行计算单元，加快网络计算速度，缩短算法训练时间。其次，以YOLOv9为基础，设计了以SSM为核心机制的Mamba聚合特征提取网络层MELAN和空间金字塔Mamba层SPMELAN。通过MELAN提取图像长距离依赖关系，挖掘病害图像的全局特征。使用SPMELAN融合多尺度感受野信息，增强模型对局部细节和全局语义的表达能力，进而提出融合SSM的YOLOM轻量化算法。最后，在RDD2022数据集上进行对比试验。结果表明：YOLOM的<i>F</i>₁分数、mAP50值、mAP50-95值和FLOPs较YOLOv9c均有优化；与主流基线模型检测结果比较，YOLOM算法检测精度和推理速度均达到最优值且模型体积和复杂度最小。该方法具有模型规模小、复杂度低和检测精度高的显著优势，有较强的学习能力和泛化性能，可为道路智慧检测提供助力。</p>

关键词：路面工程,路面病害检测,深度学习,状态空间模型,注意力机制