Yolov8-CA-EYHL: 改良型YOLOv8に基づく橋梁ひび割れ検出アルゴリズム
Yolov8-CA-EYHL: A bridge crack detection algorithm based on improved YOLOv8
本研究では、橋梁のひび割れ検出におけるコントラストの弱さ、不規則な形状、細い構造、複雑な表面テクスチャによる干渉といった課題に対処するため、フィルタリング・均等化前処理と座標注意機構(CA)、高・低周波数特徴学習モジュールを組み合わせたYOLOv8-CA-EYHLフレームワークを提案する。フィルタリング・均等化戦略はひび割れと背景のコントラストを向上させ、背景干渉を抑制する。CAは空間的方向性特徴表現を強化し、YHLモジュールは局所的および高周波のひび割れ特徴を強化する。EYHLモジュールはマルチスケール特徴相互作用と空間的再調整を確立し、不規則で細いひび割れの表現を改善する。このモデルは、mAP50で93.1%、mAP50-95で63.5%を達成し、これはYOLOv8sの64.4%および42.8%と比較して大幅な向上である。計算量は32.6 B FLOPs、パラメータ数は13.7 Mで、推論速度は約76 FPSを維持する。本手法は、安定性と汎化能力を示す。
- 橋梁ひび割れ検出向けに、座標注意機構(CA)と高・低周波数特徴学習モジュール(YHL/EYHL)を組み合わせたYOLOv8-CA-EYHLフレームワークを提案。
- 検出精度はmAP50で93.1%、mAP50-95で63.5%を達成し、YOLOv8sの64.4%/42.8%から大幅に改善。
- 計算量32.6 B FLOPs、パラメータ数13.7M、推論速度約76FPSと軽量・高速で、エッジ環境でのインフラ点検応用に適する。
橋梁ひび割れ検出という社会インフラ点検領域に、改良型YOLOv8(CA注意機構+YHL/EYHLモジュール)を適用しmAP50で93.1%を達成した研究。YOLOv8s比で精度が大幅向上しつつ76FPS・13.7Mパラメータと軽量でエッジ実装しやすい点は、ドローンや点検ロボットへの組み込み先として現実味がある。ただし現時点では論文段階のアルゴリズム提案であり、商用製品化や導入契約など投資判断に直結する事象は確認できないため、実運用でのデータセット汎化性と導入主体の動向を継続ウォッチする段階と見る。