基于边缘特征增强的YOLOv8n道路缺陷检测算法：技术原理与实际应用.docxVIP

基于边缘特征增强的YOLOv8n道路缺陷检测算法：技术原理与实际应用

目录

内容综述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．4

1.1研究背景与意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．5

1.2国内外研究现状．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．5

1.2.1道路缺陷检测技术发展．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．7

1.2.2深度学习在缺陷检测中的应用．．．．．．．．．．．．．．．．．．．．．．．．．．10

1.2.3YOLO系列算法研究进展．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．10

1.3本文研究内容与贡献．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．11

1.4技术路线．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．12

相关技术．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．13

2.1目标检测算法概述．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．14

2.1.1两阶段检测器．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．17

2.1.2单阶段检测器．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．18

2.2YOLOv8算法详解．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．20

2.2.1YOLOv8网络结构．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．22

2.2.2YOLOv8损失函数．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．23

2.2.3YOLOv8优势与不足．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．24

2.3边缘计算技术．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．29

2.3.1边缘计算概念．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．30

2.3.2边缘计算特点．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．31

2.4道路缺陷类型与特征．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．33

2.4.1常见道路缺陷分类．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．34

2.4.2道路缺陷特征分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．35

基于边缘特征增强的YOLOv8n道路缺陷检测算法．．．．．．．．．．．．．．40

3.1算法总体框架．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．41

3.2边缘特征提取模块．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．42

3.2.1图像预处理．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．44

3.2.2特征提取网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．45

3.2.3特征融合机制．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．47

3.3增强YOLOv8n检测头．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．49

3.3.1检测头结构改进．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．50

3.3.2损失函数优化．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．51

3.4算法流程．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．53

实验设计与结果分析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．54

4.1实验数据集．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．55

4.1.1数据集来源．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．57

4.1.2数据集标注．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．58

4.1.3数据集划分．．．．．．．