Un red ligero mejorado para la detección de daños en carreteras basado en aprendizaje profundo
Autores: Luo, Hui; Li, Chenbiao; Wu, Mingquan; Cai, Lianming
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un red ligero mejorado para la detección de daños en carreteras basado en aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Red de red ligera mejorada
Módulo de mejora de extracción de características
Red de pirámide de características bidireccional con conexión longitudinal
Detección de daños en carreteras
Estrategia de escala compuesta
Detección en tiempo real
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Lograr una detección precisa y eficiente de daños en carreteras en escenas complejas siempre ha sido una tarea desafiante. En este documento se propone una red ligera mejorada, E-EfficientDet. En primer lugar, se diseña un módulo de mejora de extracción de características (FEEM) para aumentar el campo receptivo y mejorar la capacidad de expresión de características de la red, lo que puede extraer información de características multi-escala más ricas. En segundo lugar, para promover la reutilización de información de características entre diferentes capas en la red y aprovechar al máximo la información de contexto multi-escala, se diseñan cuatro módulos piramidales con estructuras diferentes basadas en la idea de conexión semi-densa, entre los cuales la red piramidal de características bidireccionales con conexión longitudinal (LC-BiFPN) es más adecuada para la detección de daños en carreteras. Finalmente, para cumplir con las tareas de detección de daños en carreteras bajo diferentes restricciones de recursos de hardware, se proponen en este documento las redes E-EfficientDet-D0~D2 basadas en la estrategia de ajuste compuesto. Los resultados experimentales muestran que la precisión de detección de E-EfficientDet-D0 mejora en un 2.41% en comparación con el EfficientDet-D0 original en el conjunto de datos público de daños en carreteras y supera a otras redes como YOLOv5s, YOLOv7-tiny, YOLOv4-tiny, Faster R-CNN y SSD. Mientras tanto, la velocidad de detección de EfficientDet-D0 puede alcanzar los 27.0 FPS, lo que satisface la demanda de detección en tiempo real, y el tamaño del modelo es solo de 32.31 MB, lo que es adecuado para su implementación en dispositivos móviles como carritos de inspección no tripulados, UAVs y teléfonos inteligentes. Además, la precisión de detección de E-EfficientDet-D2 puede alcanzar el 57.51%, que es un 4.39% más alta que E-EfficientDet-D0, y el tamaño del modelo es de 61.78 MB, lo que es adecuado para escenarios de aplicación práctica que requieren una mayor precisión de detección y un mejor rendimiento de hardware.
Descripción
Lograr una detección precisa y eficiente de daños en carreteras en escenas complejas siempre ha sido una tarea desafiante. En este documento se propone una red ligera mejorada, E-EfficientDet. En primer lugar, se diseña un módulo de mejora de extracción de características (FEEM) para aumentar el campo receptivo y mejorar la capacidad de expresión de características de la red, lo que puede extraer información de características multi-escala más ricas. En segundo lugar, para promover la reutilización de información de características entre diferentes capas en la red y aprovechar al máximo la información de contexto multi-escala, se diseñan cuatro módulos piramidales con estructuras diferentes basadas en la idea de conexión semi-densa, entre los cuales la red piramidal de características bidireccionales con conexión longitudinal (LC-BiFPN) es más adecuada para la detección de daños en carreteras. Finalmente, para cumplir con las tareas de detección de daños en carreteras bajo diferentes restricciones de recursos de hardware, se proponen en este documento las redes E-EfficientDet-D0~D2 basadas en la estrategia de ajuste compuesto. Los resultados experimentales muestran que la precisión de detección de E-EfficientDet-D0 mejora en un 2.41% en comparación con el EfficientDet-D0 original en el conjunto de datos público de daños en carreteras y supera a otras redes como YOLOv5s, YOLOv7-tiny, YOLOv4-tiny, Faster R-CNN y SSD. Mientras tanto, la velocidad de detección de EfficientDet-D0 puede alcanzar los 27.0 FPS, lo que satisface la demanda de detección en tiempo real, y el tamaño del modelo es solo de 32.31 MB, lo que es adecuado para su implementación en dispositivos móviles como carritos de inspección no tripulados, UAVs y teléfonos inteligentes. Además, la precisión de detección de E-EfficientDet-D2 puede alcanzar el 57.51%, que es un 4.39% más alta que E-EfficientDet-D0, y el tamaño del modelo es de 61.78 MB, lo que es adecuado para escenarios de aplicación práctica que requieren una mayor precisión de detección y un mejor rendimiento de hardware.