基于RCGELAN-YOLOv11的路面损伤检测算法-平芜编程栈

导读：

本文针对路面损伤检测任务中传统方法效率低、易受环境干扰的痛点，提出了一种基于RCGELAN-YOLOv11的改进算法。在YOLOv11算法的基础上改进网络结构，通过设计RC-G-ELAN模块替代YOLOv11中的C3k2模块，实现了检测精度与计算效率的双重优化。具体而言，RC-G-ELAN模块引入重参数化卷积RepConv增强特征提取能力，采用Conv 3 × 3模块替代C3k模块简化网络结构，将串行结构改为并行结构减少冗余计算，并在网络后端添加Conv 1 × 1模块促进通道间信息交互。实验采用GRDDC2020数据集(含14,569张标注图像，覆盖10类损伤类型)，以7:1:2比例划分训练集、验证集和测试集。实验结果表明，改进后的算法与YOLOv11算法的检测精度相当，但是改进算法的网络层数降低19.33%，参数量减少15.84%，梯度计算量降低22.81%，GFLOPs降低6.15%，大幅地降低了计算复杂度，为复杂场景下的路面损伤检测提供了高效可靠的技术支撑。

作者信息：

殷波：贵州交通职业大学/智能制造学院，贵州贵阳

论文详情

YOLOv11的网络结构如图1所示。

YOLOv11算法相较于YOLOv10算法的改进主要在于：提出了新的核心模块C3k2 (如图1深黄色模块所示)，并以此替代了YOLOv10算法中的核心模块C2f。

RC-G-ELAN模块的网络结构如图3所示。

基于本文设计的RC-G-ELAN模块对YOLOv11的网络结构进行重构，用RC-G-ELAN模块替代C3k2模块，重构的网络结构如图4所示，本文改进后的算法称之为RCGELAN-YOLOv11算法。

仿真实验与结果分析

GRDDC2020数据集汇聚了来自印度、日本和捷克三国的道路图像，专为道路损伤检测挑战赛而设，本文研究中，将这14,569个数据以7:1:2的比例分配为训练集、验证集和测试集，具体数量为训练集10,198张、验证集1457张、测试集2914张。

具体的实验参数如表1所示。

图6展示了本文提出算法的训练流程。

为了验证本文所提算法的性能，我们将本文所提算法与YOLOv11算法在检测精度和复杂度两方面进行了对比，对比结果如图7和表2所示。从图7中可以看到，本文所提算法在检测精度上与YOLOv11算法差别不大，对全类型损伤的检测精度mAP50仅仅降低了0.7%左右(0.558→0.551)，在某些道路损伤情况上，如D01 (纵向拼接缝)、D20 (龟裂)和D50 (白线模糊)，本文所提算法的检测精度甚至高于YOLOv11算法(实验结果表明本文所提算法对横线型的目标识别能力较强，主要原因是本文所提算法简化了网络结构，减少了卷积运算，因此反而对一些特征图像比较直接的目标检测能力较强)。

从表2中可以看到，与YOLOv11n算法对比，本文所提算法在上述的四个指标中都有大幅度的下降，其中Layers降低了19.33%，Parameters降低了15.84%，Gradients降低了22.81%，GFLOPs降低了6.15%。因此本文所提算法能够大幅度地降低YOLOv11的网络层数、参数量与计算量，大幅度地降低算法的复杂度。

结论

在GRDDC2020数据集上的实验结果表明，与YOLOv11相比，本文所提算法在保持检测精度的同时，显著减少了网络层数、参数量、梯度计算量和每秒十亿次浮点运算数，有效提升了算法的效率和实用性，因此本文所提算法在一些存储空间有效、运行能力较差的移动终端上更有竞争力和实际应用价值。未来的工作集中在两方面：一是优化网络结构和模块功能，提高对微弱模糊目标的检测能力，以提供检测精度；另一方面进一步简化RC-G-ELAN模块的结构和参数，探索其在其他目标检测任务中的应用潜力，并推动算法在实际道路检测系统中的部署和测试，为智慧交通系统的发展贡献力量。