基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题，提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络，在降低注意力复杂度的同时获得丰富的跨维度特征，增强了裂缝的识别能力；采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散，提高了边界框回归的准确性；在颈部特征增强网络，运用空洞深度可分离卷积(Atrous DSC)进行下采样，通过扩大感受野加强深层和浅层信息的聚合能力，提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验，相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。