深度学习支持下的城市破损路沿石检测方法

摘要：

针对破损路沿石在街景影像中受到 目标多尺度、相似地物干扰以及遮挡等问题,提出了 一种面向城市街道两侧破损路沿石检测的 CDD-YOLO(convolutional swin transformer deformable decouple-YOLO,CDD-YOLO)模型.依据破损路沿石呈现形状尺度多样性特点,嵌入C3_STR(convolutional swin transformer,C3_STR)模块进行特征融合,增强模型对多尺度特征的感知性能;对于相似地物干扰导致的误检现象,加入可变形卷积模块,利用 目标区域 自适应特性,提升模型对相似地物的判别能力;为避免因遮挡引起的定位不准确问题,引入解耦检测头结构,增强模型对模糊边界特征的提取能力.在 自制的街景破损路沿石数据集上进行验证,分析表明,该方法的precision、recall、F1、IoU 4项评价指标分别达到了 82.45％、81.22％、81.01％和80.23％,显著优于其他主流目标检测方法,验证了该方法的有效性和可行性.

关键词：破损路沿石检测、街景影像、目标多尺度、特征融合、解耦检测头

所属期刊栏目：39

分类号：TP751.2(遥感技术)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2024-08-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：15-21