摘要：本文针对复杂路面灾害检测问题,提出了一种改进的YOLOv8n模型。通过引入FasterC2f模块替代原C2f模块减少参数量,通过优化损失函数降低低质量样本的不良梯度影响,并采用大型可分离核注意力机制增强小目标灾害特征表达能力。实验基于RDD2022数据集验证,改进算法F1值达0.827,较原YOLOv8n提升17.8%；mAP50/95指标提高至83.1,增长15.4%；模型参数量减少6%。所提算法在保持轻量化的同时显著提升了复杂路面多类型灾害的检测精度与效率。

　　关键词：YOLOV8；复杂路面；多类型灾害

　　0引言

　　路面灾害如裂缝、坑洞等给交通安全带来严峻挑战。传统人工巡检方式耗时费力,难以满足大规模道路的实时监测需求。计算机视觉技术在路面灾害检测领域展现出广阔的应用前景,然而复杂路况下多类型灾害的精准识别仍面临诸多难题,例如复杂光照变化导致目标特征模糊、小尺寸灾害易被忽略、多种灾害类型共存时检测精度下降。目前,主流检测算法在处理高密度、小目标路面灾害时难以兼顾精度与效率,且无法满足实时性与轻量化要求。文章旨在构建一种轻量化且高精度的路面灾害检测算法,以提升复杂环境中多类型路面灾害的实时检测能力。

　　1 YOLOv8网络架构

　　YOLOv8网络架构作为目标检测领域的前沿模型,其算法设计与前代相比呈现显著性能提升。整体架构包含三个关键组成部分,即主干网络(Backbone)、颈部网络(Neck)及检测头(Head),实现了精准的目标识别与定位。YOLOv8网络主干采用CSPDarknet结构,引入深度可分离卷积降低计算复杂度。主干网络设计上强化了特征提取能力,保留了丰富梯度信息。颈部网络利用特征金字塔结构进行多尺度融合,引入SPPF模块扩大感受野,有效提升了对小目标识别的准确率。检测头部分抛弃传统锚框预设机制,转向解耦头设计,分别预测置信度与边界框坐标,精简推理流程[1,2]。

　　2 YOLOv8n模型的改进

　　2.1 YOLOv8n的网络结构改进

　　复杂场景下,YOLOv8n检测性能存在瓶颈,本文设计了一套架构优化方案以克服这些局限。改良后的网络框架融入三项关键技术升级：颈部网络中原有的C2f模块被新型FasterC2f结构替代,该结构精简了计算负担与参数规模,极大提升了检测速率；传统SPPF池化单元经重构后嵌入大视野可分离核注意力机制LSKA,形成SPPF_LSKA复合模块,增强了对微小目标特征的提取与表征能力；损失函数层面摒弃常规CIoU算法,转而采用WIoU方法,该方法有效抑制了质量较差样本对特征学习的干扰作用[3]。

　　2.2损失函数优化

　　原YOLOv8n模型采用的CIoU损失函数在处理标注质量不均衡样本时显示出明显局限,尤其面对复杂路况场景中模糊目标与小尺寸目标时,标注框与实际物体位置容易产生偏差,致使模型泛化能力受限。针对这一问题,本文引入基于动态非调聚焦机制的WIoUv3损失函数,该函数对群度较高的预测框给予较小惩度增益,有效抑制了低质量样本引起的特征干扰。WIoUv3损失函数值计算过程如式（1）~式（5）所示：

　　2.3 FasterC2f模块

　　传统YOLOv8n架构中的C2f模块依赖Bottleneck结构进行特征处理,但该结构庞大的参数量与高昂的计算开销严重阻碍了模型在边缘设备上的部署应用。针对这一问题,本研究创新性地设计了轻量级FasterBlock单元代替原有Bottleneck组件,该设计大幅缩减了模型计算负荷。FasterBlock核心由PConv部分卷积与双1×1标准卷积串联构成,其浮点运算成本计算如式（6）所示：

　　式中,h指特征图高度；w表示特征图宽度；k代表卷积核边长；cp为特征通道数。

　　FasterBlock创新性地将局部特征提取与全局信息处理相结合,在特征处理流程中植入BN归一化层与ReLU激活单元,在保证特征表达丰富性的同时提升了信息流通效率。完整FasterC2f模块采用通道分流策略,将输入特征分为两支,一支保持原始信息不变,另一支经FasterBlock深度加工,最终两路信息重新合并。此设计在维持特征完整性的同时显著降低了算力消耗,使得模型在多变的道路环境中表现出优异的实时检测性能。

　　3实验结果与分析

　　3.1训练过程

　　本文所有实验均在同一实验环境下完成,实验环境具体配置信息如表1所示。模型训练阶段选择随机梯度下降优化算法,动量参数设定为0.937,配合0.0005的权重衰减值调控网络参数更新。迭代训练总计100轮,初始学习率设为0.001,采用余弦退火策略动态调整学习率,确保模型收敛稳定性[4]。

　　3.2实验数据集

　　本研究采用RDD2022道路损伤检测数据集作为实验数据集,该数据集汇集了中国摩托车视角(RDD2022_ China_MotorBike)与美国道路(RDD2022_United_States)两种环境下的路面灾害图像。根据data.yaml配置文件,实验数据集包含四类典型路面灾害：纵向裂缝(D00_ Longitudinal_Crack)、横向裂缝(D10_Transverse_ Crack)、网状裂缝(D20_Alligator_Crack)和坑洞(D40_ Pothole)。数据集按照标准比例划分为训练集(train)、

　　验证集(val)和测试集(test),存储于“/home/user/road-damage/data/yolo”路径下。数据集涵盖了不同光照条件、天气环境及路面材质状况下的多样化灾害样本,为模型提供了丰富的训练素材,有利于提升算法在实际复杂环境中的鲁棒性[5]。

　　3.3测试结果分析

　　本文优化算法在裂缝识别精度上显著超越基准模型YOLOv8n,实验数据提供了有力支持。实验结果如表2所示,可以看出优化算法F1值达到0.827,较YOLOv8n的0.702提升约17.8%；mAP50/95评价指标提高至83.1,相比YOLOv8n的72.0增长了15.4%。实验结果分析表明,优化算法对横向裂缝检出率更高,边界框定位更为精准,极大提升了检测系统的可靠性。值得注意的是,性能提升的同时模型更为轻量,参数量由3.20×106降至3.01×106,减少约6%。虽然GFLOPs由8.1上升至13.4,约增加65.4%,但在参数量减少的情况下依然实现了检测精度的显著提升,表明算法结构设计更为高效。表格数据进一步验证了本文方法的优越性,相较于传统方法,新算法在各项关键指标上均有明显优势。实验证实,该优化算法在降低模型复杂度的同时提升了关键性能指标,在实际道路损伤检测应用中具备更高实用价值,特别适用于对检测精度要求较高的场景。

　　4结语

　　本研究提出的改进YOLOv8n算法在复杂路面灾害检测任务中表现出优异性能。FasterC2f模块的引入实现了模型轻量化,非调聚焦损失函数有效提升了对低质量样本的鲁棒性。该算法在保持较低参数量的基础上显著提高了检测精度,F1值与mAP指标均有明显提升。实验结果证明,算法在降低资源消耗的同时保证了高质量检测效果,为复杂环境下的路面灾害监测提供了可行方案。本文研究对智能交通系统的发展具有积极推动作用,对提升道路安全与维护效率具有重要的实用价值。

参考文献

　　[1]吐尔逊•买买提,邱建卓,朱兴林,等.基于YOLOv8n的轻量化道路裂缝检测算法[J].现代电子技术,2025,48(13):11-19.

　　[2]罗勇,赵红,陈俊杰,等.基于改进YOLOv8n的道路密集目标检测算法研究[J].青岛大学学报(工程技术版),2025,40(1):41-48.

　　[3]向雷,蒋文波.改进YOLOv8的城市行车道路障碍物检测算法研究[J].电子测量技术,2025,48(1):29-38.

　　[4]叶发茂,张立,袁燎,等.DB-YOLO:特征增强融合的双骨干YOLOv8道路缺陷检测模型[J].计算机工程与应用,2024,60(24):260-269.

　　[5]杨卫朋.基于改进YOLOv8的道路工程空洞识别模型[J].低温建筑技术,2024,46(11):100-103+108.