Cycle-YOLO: A Efficient and Robust Framework for Pavement Damage Detection

随着现代社会的发展，大多数国家的交通量不断增加，导致路面损坏率增加。因此，实时高精度的路面损坏检测和维护已成为当前需求。本文提出了一种增强的路面损坏检测方法，采用CycleGAN和改进的YOLOv5算法。我们选择了7644个自采集的路面损坏样本图像作为初始数据集，并通过CycleGAN进行了增强。由于CycleGAN生成的图像与真实的道路图像之间存在较大差异，因此我们提出了一种基于改进的Scharr滤波器、CycleGAN和Laplacian金字塔的数据增强方法。为了提高对复杂背景下目标的识别效果，并解决YOLOv5网络中空间金字塔池化-快速模块无法处理多尺度目标的问题，我们引入了卷积块注意力机制和提出了带有压缩-激发结构的空洞空间金字塔池化。此外，我们通过将CIoU替换为EIoU来优化了YOLOv5的损失函数。实验结果表明，我们的算法在检测三种主要类型的路面损坏（裂缝、坑洞和修补）方面实现了0.872的精度、0.854的召回率和0.882的平均精度@0.5。在GPU上，其每秒帧数达到了68，满足实时检测的要求。其整体性能甚至超过了当前更先进的YOLOv7，在实际应用中取得了良好的效果，为路面损坏检测和预防决策提供了依据。

解决问题：论文旨在实现实时、高精度的道路损坏检测和维护，以应对城市交通量增加导致的路面损坏问题。

关键思路：论文提出了一种基于CycleGAN和改进的YOLOv5算法的增强型路面损坏检测方法。通过CycleGAN对初始数据集进行增强，并提出了基于改进Scharr滤波器、CycleGAN和Laplacian金字塔的数据增强方法。同时，引入卷积块注意力机制和atrous空间金字塔池化结构，优化了YOLOv5的损失函数，提高了复杂背景下的目标识别效果和多尺度目标检测能力。

其他亮点：实验结果表明，该算法在GPU上的帧率达到了68，能够满足实时检测的要求，同时在检测裂缝、坑洞和修补等三种主要路面损坏类型方面，取得了较高的精度、召回率和平均精度值。该算法的性能甚至超过了当前更先进的YOLOv7，并在实际应用中取得了良好的效果。

相关研究：目前在道路损坏检测领域，还有一些相关研究，如《基于深度学习的道路损坏检测方法比较研究》、《基于卷积神经网络的路面损坏自动检测方法》等。