第49卷第2期2023年2月ComputerEngineering计算机工程基于改进YOLOv5的路面病害检测模型王朕1，李豪1，严冬梅1，竺永荣2（1.天津财经大学理工学院，天津300222；2.天津市交通科学研究院智能交通研究中心，天津300060）摘要：针对路面病害检测中由于病害形态多样、种类繁多以及背景灰度值相似造成噪声干扰导致识别与分类精度不高的问题，采用卷积神经网络YOLOv5为主干框架，提出一种基于改进YOLOv5的路面病害检测模型YOLOv5l-CBF。引入坐标注意力机制，调整网络的注意力权重使模型对病害纹理特征更加关注，并在主干网络的残差结构中引入Transformer构建BotNet网络结构，在减少参数量的同时提高对病害图像中全局依赖关系的捕捉能力。同时，在颈部网络中构建双向加权特征金字塔网络，学习每个特征层的重要性分布权重，并对提取到的病害特征进行双向交叉尺度连接和加权融合。在真实路面病害数据集上的实验结果表明：与YOLOv5l模型相比，YOLOv5l-CBF模型精度与召回率分别提升7.4和8.7个百分点，mAP达到90.8%，在对多种病害的检测与分类上具有显著的性能优势。关键词：目标检测；路面病害；注意力机制；双向加权特征融合；卷积神经网络开放科学（资源服务）标志码（OSID）：中文引用格式：王朕，李豪，严冬梅，等.基于改进YOLOv5的路面病害检测模型［J］.计算机工程，2023，49（2）：15-23.英文引用格式：WANGZ，LIH，YANDM，etal.PavementdiseasedetectionmodelbasedonimprovedYOLOv5［J］.ComputerEngineering，2023，49（2）：15-23.PavementDiseaseDetectionModelBasedonImprovedYOLOv5WANGZhen1，LIHao1，YANDongmei1，ZHUYongrong2（1.SchoolofScienceandTechnology，TianjinUniversityofFinanceandEconomics，Tianjin300222，China；2.IntelligentTransportationResearchCenter，TianjinAcademyofCommunicationsScience，Tianjin300060，China）【Abstract】Toaddresstheproblemofpoorrecognitionandclassificationaccuracyinpavementdiseasedetectionduetothediversemorphologies，thetypesofdiseases，andtheinterferenceofsimilarbackgroundgrayscalevalues，aConvolutionalNeuralNetwork（CNN）YOLOv5isusedasthebasicframework，andpavementdiseasedetectionmodelYOLOv5l-CBFbasedonimprovedYOLOv5isproposed.TheCoordinateAttention（CA）mechanismisintroducedinthenetwork，andtheattentionweightofthenetworkisadjustedtofocusonthetextur...
