利用YOLO26-ABF的垃圾收集车辆检查井盖状态识别

《Applied Sciences》:Recognition of Manhole Cover Status for Refuse Collection Vehicles Utilizing YOLO26-ABF

【字体: 大 中 小 】 时间:2026年08月27日 来源:Applied Sciences 2.5

编辑推荐:

  垃圾收集车辆是城市环卫的重要组成部分。道路上损坏、移位或缺失的检查井盖等不良状况可能在作业中导致安全事件(如设备卡滞或翻车),从而影响清洁作业的连续性和安全性。为了实现清洁作业过程中检查井盖状态的实时、精确识别,本研究提出了一种基于增强型YOLO26模型的检测

  
垃圾收集车辆是城市环卫的重要组成部分。道路上损坏、移位或缺失的检查井盖等不良状况可能在作业中导致安全事件(如设备卡滞或翻车),从而影响清洁作业的连续性和安全性。为了实现清洁作业过程中检查井盖状态的实时、精确识别,本研究提出了一种基于增强型YOLO26模型的检测方法。通过开发YOLO26-ABF检测模型,该模型融合了多尺度特征融合和多维数据增强技术,研究人员实现了对五类检查井盖状态——“良好(good)”、“破损(broken)”、“错位(circle)”、“松动(loose)”和“未覆盖(uncovered)”——的精确识别,同时参数数量和计算需求略有增加。实验结果表明,该方法在自定义数据集上较基线模型取得了显著改进。该方法能够精确识别检查井盖状态,为垃圾收集车辆提供可靠的状态感知,确保清洁作业安全稳定地执行。
城市道路检查井盖是市政基础设施的重要组成部分,其状态异常(如破损、移位、松动或缺失)会对垃圾收集车的安全作业构成严重威胁,可能导致设备卡滞、底盘损坏甚至翻车。现有监控方法主要分为三类:基于物联网(IoT)的传感器方案成本高且难以直观反映盖面损伤;基于移动激光扫描(MLS)或LiDAR的方法数据处理复杂、设备昂贵;基于计算机视觉的检测方法因其低成本和高信息量而成为主流。然而,在垃圾收集车的实际运行环境下,检查井盖检测仍面临两大挑战:一是远处小目标井盖像素占比少,传统特征金字塔(PAN)在多尺度融合中易丢失语义信息;二是高危险状态样本极度稀缺,导致模型对关键类别的泛化能力受限。为此,研究人员提出了一种基于增强型YOLO26的检测模型YOLO26-ABF,用于从垃圾收集车视角实时、精确识别五类检查井盖状态。该研究发表在《Applied Sciences》。

研究人员开展的研究是:在YOLO26-n基线上,用加权双向特征金字塔网络(BiFPN)替换原有PAN结构,引入高分辨率P2特征层,并在每个检测头前加入自适应空间特征融合(ASFF)模块;同时,在数据层面组合使用Mosaic、MixUp、Copy–Paste增强、合成图像生成和半监督伪标签技术,以缓解类别不平衡并提升鲁棒性。在自建的高质量数据集上,YOLO26-ABF取得了平均精度mAP50为0.93、mAP50-95为0.72的结果,较基线分别提升3个百分点和6个百分点,同时参数量为2.51M、计算量为2.89 GMACs,端到端平均延迟19.5ms(51 FPS)。该模型在保持轻量化的同时,为垃圾收集车提供了可靠的状态感知,确保清洁作业安全稳定运行。

关键技术方法概括:首先,在网络架构方面,BiFPN通过加权双向连接改善特征融合权重分配,P2高分辨率层补充低层空间细节,ASFF在像素空间动态抑制背景冲突;其次,在数据增强方面,采用Mosaic、MixUp、Copy–Paste进行基础增强,使用透视变换和泊松图像编辑合成稀缺状态图像,并通过教师-学生架构对无标注路况视频生成伪标签以扩展训练集。数据集来源为自建道路检查井盖数据集,图像由一辆垃圾收集车前端摄像头沿多条作业路线采集,以及人工路面拍摄,按路线或地点划分训练/验证/测试集(8:1:1),原始图像1673张,合成和伪标签样本仅用于训练。

3.1 实验数据集与预处理:研究人员建立了包含“良好”、“破损”、“错位”、“松动”、“未覆盖”五类状态的检查井盖数据集。训练集原始含1338张图像,其中高风险样本(“松动”和“未覆盖”)占18.0%;通过合成图像加入后,高风险占比升至40.8%;再经伪标签扩充,最终训练集高风险占比为29.4%。验证集和测试集全部使用实拍原始图像。

3.2 评估指标:采用精度、召回率、mAP、参数量、GMACs和端到端延迟等指标。在RTX 5060 Ti上,YOLO26-ABF平均端到端延迟为19.5ms(p50为13ms,p95为44ms),吞吐量为51 FPS,峰值GPU内存为65 MB。由于p95延迟超过30 FPS相机的33.3ms帧间隔,实时性声明基于平均延迟。

3.3 消融实验:通过2×2设计分别验证架构改进和数据增强方案(方案D)的贡献。与基线相比,仅用架构改进使mAP50提升1个百分点、mAP50-95提升3个百分点;仅用方案D使mAP50提升1个百分点、mAP50-95提升2个百分点;完整YOLO26-ABF达到mAP50为0.93±0.007、mAP50-95为0.72±0.010,总增益分别为3个百分点和6个百分点。结果表明架构改进主要增强小目标特征融合,方案D主要缓解类别不平衡并丰富训练多样性。

3.4 与传统算法对比:与YOLOv8、YOLOv11、YOLO26、MCPH-YOLO及改进YOLOv8对比,YOLO26-ABF的mAP50为0.93,较基线YOLO26提升3个百分点,较MCPH-YOLO和改进YOLOv8分别提升5.0个百分点和4.0个百分点(单次运行点估计)。参数和计算量较YOLOv8/11更低,满足实时性要求。

3.5 单类检测性能分析:按类别计算AP50,高风险类别“松动”为0.97、“未覆盖”为0.95,其中“未覆盖”较基线提升5个百分点,验证了合成图像和伪标签方法的有效性;“良好”、“破损”、“错位”分别提升5、2、3个百分点,体现了多尺度特征融合对细微纹理的提取能力。

3.6 不同目标尺寸的检测性能分析:按边界框面积将测试实例分为小、中、大三组,YOLO26-ABF在小目标组上增益最大,中等和大目标增益相对较小,证明P2层和BiFPN对远处小目标检测的有效性。

3.7 模型误差分析:归一化混淆矩阵显示,“松动”和“未覆盖”的召回率分别达0.96和0.91,且相互混淆率仅2%;“错位”召回率最低(0.75),主要与“破损”混淆(12%错分);主要错误来自远处小目标漏检,“良好”和“错位”的假阴性率分别为15%和12%。

3.8 检测结果可视化:在远距离小目标场景中,YOLO26-ABF能够准确定位并分类;在井盖缺失或暴露的极端危险情况下,分类准确率高;在落叶、油污、阴影等复杂背景下,模型可自主忽略无关背景特征,保持感知稳定性。

讨论部分总结指出,YOLO26-ABF通过BiFPN、P2层和ASFF的组合有效解决了多尺度特征冲突与稀释问题,以较低的计算开销实现了高精度五状态识别,平均延迟满足实时性要求,但p95延迟超出帧间隔。合成图像和半监督伪标签显著缓解了高风险样本稀缺问题,提升了模型对复杂路面和光照条件的适应性。局限性在于数据集全部由单一车载摄像头在一次采集活动中获得,尚需跨车辆、跨相机、跨区域验证;此外测试集中“松动”和“未覆盖”样本仅各15张,安全相关结论需谨慎解释。未来工作将探索多传感器融合并针对极端天气条件进行优化。研究结论是:所提出的YOLO26-ABF检测框架能够可靠地识别垃圾收集车辆前方的检查井盖状态,为环卫作业安全提供了有效的视觉计算方案,并为智慧城市基础设施的自动化监测提供了技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号