滚动信息2

摘  要

为提高道路检查中路表病害发现效率，本文以2000张道路表面图像为样本，采用YOLOv11L模型识别纵向裂缝、横向裂缝、网裂/龟裂、坑槽和道路修补区域等目标。数据按1600张训练图像和400张测试图像划分，标注采用YOLO格式。训练结果显示，模型在第100轮取得较优结果，Precision为66.21%，Recall为71.58%，mAP@0.5为75.40%，mAP@0.5:0.95为50.12%。从曲线和可视化结果看，模型能够识别多数路表病害，但对细长裂缝和少样本目标仍存在定位偏差。研究认为，YOLOv11L适合用于道路检查图像初筛，并需与人工复核和养护记录结合使用。

关键词：道路检查；路表病害；YOLOv11L；目标检测；智能养护

1 引言

道路表面病害通常不是一次性形成的，裂缝、坑槽和修补边缘会随着车辆荷载、雨水侵蚀、温差变化逐渐发展。人工检查能够发现明显破损，但在批量图片整理时容易受经验和光照影响，尤其是细长裂缝、浅色裂缝与路面纹理混在一起时，漏检和误判都较常见。近年来，道路病害识别逐渐从人工判读转向图像检测模型辅助处理。

近两年，国内外研究继续围绕YOLO系列开展道路缺陷检测。罗臻等提出改进YOLO11Ln以提升复杂场景中的道路缺陷识别能力[1]；侯勇严等将注意力机制和特征金字塔用于路面病害检测[2]；殷波基于YOLOv11结构改进路面损伤检测算法，并关注模型复杂度和部署效率[3]。国外研究中，Zhang等使用改进YOLOv11进行道路损伤识别[4]，Lin等提出YOLO11L-WLBS用于路面缺陷检测[5]。这些研究说明，单阶段检测模型已成为道路检查的重要技术路线，但不同数据集和采集条件下仍需进行针对性验证。

本文围绕YOLO11L在现有道路图像中的表现展开分析。重点包括：数据类别分布是否均衡，模型训练是否收敛，PR曲线和可视化结果能否支撑道路检查应用。

2 数据集与类别定义

本研究使用道路表面图像2000张，其中训练集1600张，测试集400张。数据集采用YOLO目标检测格式，每张图像对应一个txt标注文件，标注内容包括类别编号、目标框中心坐标以及宽高。训练图中的D00、D10、D20、D40和Repair分别对应纵向裂缝、横向裂缝、网裂/龟裂、坑槽和道路修补区域。

图1显示，纵向裂缝实例最多，为2162个；横向裂缝909个，网裂/龟裂514个，坑槽183个，道路修补区域221个。类别数量差异较明显，模型更容易学习裂缝类特征，而坑槽和修补区域样本偏少。目标框位置主要集中在图像中部，符合前视道路采集特点；宽高分布显示，大量裂缝目标呈细长形态，这会增加边界框回归难度。

3 模型与实验设置

YOLOv11L属于YOLOv11L系列中参数规模较大的检测模型，特征表达能力强于轻量版本，适合处理纹理复杂、尺度差异明显的道路图像。本文将输入尺寸设为640×640，训练100轮，batch size为1，使用预训练权重初始化；优化器为auto配置，初始学习率为0.01，权重衰减为0.0005。训练过程中保留常规数据增强，以提高模型对不同路面背景的适应能力。

评价指标采用Precision、Recall、mAP@0.5和mAP@0.5:0.95。Precision反映误检控制能力，Recall反映真实病害检出能力。mAP@0.5用于观察总体检测效果，mAP@0.5:0.95对边界框位置要求更高，更能体现病害定位质量。道路检查既要尽量找出病害，也要避免位置偏差过大，因此本文同时分析检出能力和定位精度。

4 实验结果与分析

4.1 训练过程

图2 YOLO11L训练损失与验证指标变化

图2中，训练前期box loss、cls loss和dfl loss下降较快，说明模型较快学习到裂缝、坑槽和修补区域的基本视觉特征。后期各项曲线趋于平稳，未出现明显发散。mAP@0.5:0.95始终低于mAP@0.5，说明模型能找到目标，但在高重合阈值下框选仍有误差。这与道路病害边界不规则、裂缝细长、路面纹理干扰强有关。

4.2 整体指标

根据results.csv记录，YOLO11L在第100轮取得最优综合结果：Precision为66.21%，Recall为71.58%，mAP@0.5为75.40%，mAP@0.5:0.95为50.12%，验证box loss为1.2550。这些数值说明模型具备道路病害识别基础，但仍不是完全稳定的工程模型。Recall高于Precision，表明模型更倾向于保留疑似病害，适合初筛。

如表1所示，YOLOv11l的全部类别平均mAP@0.5为0.754。其中，道路修补区域和坑槽识别效果较好，分别达到0.923和0.906；纵向裂缝、横向裂缝、网裂/龟裂分别为0.693、0.611和0.637，低于块状病害目标。结果说明，模型对边界清晰、纹理差异明显的目标更敏感，而对细长裂缝和弱纹理目标仍存在识别难度。

4.3可视化结果

图3 YOLOv11L道路病害检测可视化结果

图3选取6张验证图像组成可视化结果，覆盖裂缝、网裂/龟裂、坑槽和修补区域等目标。模型能够在同一图像中输出多个检测框，并给出类别与置信度。对边界较明显的坑槽和修补区域，框选较直观；对细长裂缝，模型能找到大致位置，但框体可能偏宽或偏长。该结果说明，YOLOv11L可用于道路检查初筛，但仍应由养护人员结合原图确认重点病害。

5 应用讨论

从道路检查流程看，模型结果更适合进入“初筛—复核—入库”环节。首先由模型从大量巡检图像中筛出疑似裂缝、坑槽和修补区域；然后由人工复核高风险目标；最后将确认后的病害与道路桩号、GPS坐标和巡检时间关联，形成可追溯记录。这样既能减少人工逐图查看的工作量，也能避免模型误判直接进入维修决策。

后续改进可集中在三方面：一是增加坑槽和修补区域样本，缓解类别不均衡；二是补充夜间、雨天、阴影遮挡等复杂场景，增强泛化能力；三是结合分割或面积估计方法，提高病害边界量化水平。

6 结论

本文基于2000张道路表面图像训练YOLOv11L模型，对纵向裂缝、横向裂缝、网裂/龟裂、坑槽和道路修补区域进行检测。实验结果表明，模型在第100轮取得较优结果，Precision、Recall、mAP@0.5和mAP@0.5:0.95分别为66.21%、71.58%、75.40%和50.12%。结合训练曲线、PR曲线和可视化结果可知，YOLOv11L具备道路检查图像初筛能力，但在细长裂缝定位和少样本类别识别方面仍需优化。

总体看，该方法可为道路检查提供自动识别基础。实际应用时，应继续扩充本地道路样本，并将模型输出与人工复核、道路桩号和养护记录结合，以提高结果可靠性。

参考文献

[1] 侯勇严, 梁扩旺, 郭文强, 等. 基于改进YOLOv8的路面病害检测模型[J]. 陕西科技大学学报, 2025, 43(3):166-173.

[2] 殷波. 基于RCGELAN-YOLOv11的路面损伤检测算法[J]. 人工智能与机器人研究, 2026, 15(1):27-37.

[3] Zhang L, Deng Y, Zou Y. Automatic road damage recognition based on improved YOLOv11 with multi-scale feature extraction and fusion attention mechanism[J]. PLOS One, 2025, 20(9): e0327387.

[4] Lin J, Wang P, Ruan Y, et al. YOLO11L-WLBS: an efficient model for pavement defect detection[J]. Scientific Reports, 2026, 16:5284.

于跃1，于洋1，郑雨晴1，邹津婷1，卢甜甜*，

1.长春大学旅游学院人工智能学院，2.吉林农业大学信息技术学院