YOLOv8nSeg坑洞检测mAP达95.56%，深度误差仅2.96厘米！
Depth-Aware Pothole Detection Using YOLO and RT-DETR at the Edge
📖 AI 总结
该研究提出了一种基于RGB-D传感器融合的深度感知坑洞检测框架，旨在解决传统2D图像方法无法测量坑洞物理深度的问题。研究对比了YOLOv8n、YOLOv8nSeg、YOLOv9t、RTDETRL和RTDETRX五种架构，在PothRGBD数据集上进行训练与评估。关键发现包括：YOLOv8nSeg在检测精度上表现最优，mAP@50达0.9556，深度估计误差仅为2.96厘米；YOLOv8n推理速度最快，仅需3.6毫秒；RTDETRX检测置信度最高，达92.70%。研究还发现，即使经过RANSAC地面校正，基于边界框的模型仍比基于像素级分割掩码的模型高估坑洞深度0.16至0.21厘米，表明路面包含偏差是结构性的而非校准误差。该研究为边缘设备上的实时坑洞检测与严重程度评估提供了可行方案，对城市基础设施维护具有实际应用价值。
🔑 关键词速览
| YOLO | 一种基于深度学习的目标检测算法，以实时性和高精度著称。 |
| RT-DETR | 一种基于Transformer的实时目标检测模型，结合了DETR架构和高效推理。 |
| RGB-D | 结合彩色图像（RGB）和深度图像（D）的数据模态，用于三维场景理解。 |
| RANSAC | 一种鲁棒参数估计方法，用于拟合模型并剔除异常值，此处用于地面平面校正。 |
| mAP | 平均精度均值，用于评估目标检测模型性能的指标，mAP@50和mAP@50_95分别表示不同IoU阈值下的平均精度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅