个人卖家：
zhuge帮忙
创建于：2025-08-23
基于ESRGAN与YOLOv5/ EfficientDet的路面坑洼检测算法
￥99.00
| 使用环境 |
在户外道路场景中，车辆以45km/h - 90km/h的速度行驶，道路周围有自然光照，光照强度在一定范围内变化。使用普通摄像头安装在车辆上，距离路面一定高度，以一定角度向下拍摄路面图像，摄像头分辨率为1280×720等常见分辨率。 |
| 使用对象 |
马路上的坑洼（pothole） |
| 使用目的 |
通过检测马路上的坑洼，及时发现道路损坏情况，为道路维护提供依据，保障行车安全，减少因坑洼导致的交通事故和车辆损坏风险。 |
| 输入数据 |
低分辨率的路面图像帧 |
| 输出数据 |
检测到的坑洼的坐标位置、尺寸、数量等信息 |
| 硬件配置 |
CPU：Intel Core i7 - 9700K，8核16线程；GPU：NVIDIA GeForce RTX 2080 Ti，具有较高的图形处理能力；内存：16GB DDR4，满足算法运行时的数据存储需求；拍摄装置：普通摄像头，分辨率1280×720； |
| 样本获取 |
在不同时间段、不同路段，以不同角度、距离、光照条件等采集车辆行驶过程中的路面图像，共采集1300张图像作为训练集，81张图像作为测试集，涵盖了各种常见场景下的坑洼情况。 |
| 测试结果 |
对测试集中的81个样本进行测试，ESRGAN + YOLOv5模型的平均精度（mAP）为97.60%，召回率为70%；ESRGAN + EfficientDet模型的平均精度（mAP）为100%，召回率为66.77%，整体表现良好，能有效检测出路面坑洼。 |
| 执行速度 |
ESRGAN + YOLOv5模型的检测速度约为30ms/次；ESRGAN + EfficientDet模型的检测速度约为35ms/次。 |
| 资源消耗 |
针对上述硬件配置，运行ESRGAN + YOLOv5模型时，CPU平均占用率约为70%，GPU平均占用率约为80%，内存使用占比约60%；运行ESRGAN + EfficientDet模型时，CPU平均占用率约为75%，GPU平均占用率约为85%，内存使用占比约65%。 |
| 源码类型 |
Python版本源码 |
| 文件大小 |
算法程序文件37K，权重文件72M。 |
| 相关备注 |
本算法基于深度学习技术，结合ESRGAN进行图像超分辨率处理，以及YOLOv5和EfficientDet进行目标检测，具有一定的创新性和实用性，可为道路坑洼检测提供一种有效的解决方案，但实际应用中还需根据具体场景进行适当的优化和调整。 |
