摘要

道路坑洼是影响行车安全与路面耐久性的关键隐患，实现高效、准确的自动坑洼检测对智能交通与道路维护具有重要意义。本文基于YOLOv8目标检测算法构建了一套道路坑洼检测系统，并使用自建数据集进行训练与评估。数据集共包含1,784张图像，其中训练集1,265张、验证集401张、测试集118张，类别为单类“pothole”。训练过程中模型损失函数平稳下降，最终在验证集上获得mAP50为0.89。

引言

道路坑洼作为常见路面病害，不仅影响驾驶舒适性，更可能引发车辆失控、爆胎等严重交通事故。传统人工巡检方式效率低、主观性强，难以满足大范围道路实时检测需求。近年来，随着深度学习与计算机视觉技术的发展，基于视觉的目标检测方法逐渐成为路面病害检测的研究热点。YOLO系列模型因其端到端、实时性强、精度高等优势，在交通场景目标检测中表现突出。本文旨在探索YOLOv8在道路坑洼检测任务中的适用性，构建从数据标注、模型训练到性能评估的完整流程。通过分析训练损失、精度、召回率、混淆矩阵及PR曲线等关键指标，系统评估模型在真实路面图像中的检测能力，识别当前模型的优势与不足。本文不仅为道路维护单位提供可参考的技术方案，也为后续坑洼检测算法的改进提供量化依据。

订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html

https://blog.csdn.net/m0_68036862/category_13147048.html

项目演示视频

YOLOv8道路坑洼识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+模型训练）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV17BTv6SELu?vd_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.videopod.sectionshttps://www.bilibili.com/video/BV17BTv6SELu/

目录

  摘要

引言

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

数据集介绍

数据来源与构成

训练过程

训练结果

核心性能指标分析

1. 混淆矩阵（原始 + 归一化）​编辑​编辑

2. F1曲线​编辑

3. PR曲线​编辑

4. P/R曲线​编辑​编辑

训练过程分析（results.png）​编辑

常用标注工具

---

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

注册

登录

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

功能	描述
用户注册	用户名、密码、确认密码、邮箱（选填）注册，密码SHA256加密存储
用户登录	用户名密码验证，自动跳转主界面
用户数据存储	JSON文件存储用户信息（密码加密、注册时间、邮箱）
登录状态	主界面显示当前登录用户名

2、界面与交互模块

功能	描述
玻璃效果界面	半透明毛玻璃背景，圆角边框，现代化视觉风格
无边框窗口	自定义标题栏，支持窗口拖动、最小化、最大化、关闭
响应式布局	主窗口三栏布局（左侧控制区、中央显示区、右侧信息区）
状态栏	显示设备信息、模型状态、当前用户、实时时间

3、检测源管理模块

功能	描述
图片检测	支持JPG/JPEG/PNG/BMP格式图片载入
视频检测	支持MP4/AVI/MOV/MKV格式视频载入
摄像头检测	实时调用摄像头（默认ID 0）进行检测
检测源切换	下拉菜单切换三种检测模式，自动更新界面状态

4、检测参数配置模块

功能	描述
置信度阈值	滑动条调节（0-100%，步长1%），实时显示当前值
IoU阈值	滑动条调节（0-100%，步长1%），实时显示当前值
类别选择	动态生成检测类别复选框，支持全选/取消全选
参数同步	参数实时同步到检测器核心

5、YOLO检测核心模块

功能	描述
模型加载	加载best.pt模型文件，自动检测GPU可用性，支持CPU/GPU切换
多模式检测	图片检测、视频检测、摄像头实时检测
检测线程	基于QThread的多线程处理，避免界面卡顿
检测结果	返回目标类别、置信度、边界框坐标
FPS计算	实时计算处理帧率
进度反馈	视频处理进度条实时更新

6、结果显示模块

功能	描述
实时画面	中央区域显示检测结果图像（带标注框）
统计信息	检测状态、目标数量、FPS、处理帧数实时更新
检测列表	右侧列表显示当前帧所有检测到的目标（类别+置信度）
日志记录	日志标签页记录操作和错误信息，带时间戳
占位显示	未选择检测源时显示系统LOGO和提示文字

7、结果保存模块

功能	描述
保存开关	复选框控制是否保存检测结果
路径选择	自定义保存路径，支持图片/视频格式自动识别
自动命名	保存文件自动添加时间戳（detection_result_20240101_120000.jpg）
视频保存	支持检测结果视频录制（MP4格式）
手动保存	工具栏保存按钮可随时保存当前画面
保存反馈	保存成功弹窗提示，日志记录保存路径

8、工具栏功能

功能	描述
图片按钮	快速切换到图片检测模式并打开文件选择器
视频按钮	快速切换到视频检测模式并打开文件选择器
摄像头按钮	快速切换到摄像头检测模式
保存按钮	手动保存当前显示画面

9、辅助功能

功能	描述
错误处理	统一错误弹窗提示，日志记录错误详情
资源清理	检测停止时自动释放摄像头、视频文件、视频写入器资源
时间显示	状态栏实时显示系统时间
模型状态	状态栏显示模型加载状态和当前设备（CPU/GPU）

10、数据校验模块

功能	描述
注册验证	用户名长度≥3，密码长度≥6，密码一致性检查，邮箱格式验证
协议确认	注册前需勾选同意用户协议
文件校验	模型文件存在性检查，文件大小验证（≥6MB）
输入非空	登录/注册时必填项非空检查

背景

道路基础设施的健康状况直接影响交通运输效率与公共安全。坑洼作为一种渐进式路面破损，通常由交通荷载、水分渗透及温度变化共同作用下形成。若未能及时发现并修复，坑洼会迅速扩展，导致维修成本增加、交通事故风险上升。根据相关统计，坑洼引起的车辆损坏及事故占道路非致命事故的相当比例。因此，研发高效、自动化、低成本的坑洼检测方法具有明确现实需求。

传统坑洼检测手段包括人工巡查、车载传感器（如激光雷达、加速度计）及探地雷达等。人工方式费时费力且存在安全隐患；传感器设备成本高、维护复杂，难以大规模部署。相比之下，基于车载摄像头与深度学习算法的视觉检测方案，具备部署灵活、成本低、非接触等优点。卷积神经网络（CNN）及单阶段检测器（如YOLO、SSD）在多种路面缺陷检测任务中已取得良好效果。其中YOLOv8作为YOLO系列最新成员，在检测速度与精度之间实现了更优平衡，尤其适合实时或近实时道路巡检系统。因此，本文基于YOLOv8开展道路坑洼检测研究，以期在保证检测效率的同时，提供可靠的坑洼识别能力，支撑智慧道路养护决策。

数据集介绍

数据来源与构成

本研究所使用的道路坑洼数据集来源于实际道路采集图像，涵盖不同光照、路面材质及天气条件下的坑洼样本。所有图像均经过人工筛选与清洗，剔除模糊、无坑洼或标注困难样本。

• 类别数量：1类（pothole）

• 数据集划分：

  • 训练集：1,265张

  • 验证集：401张

  • 测试集：118张

• 总计：1,784张图像

训练过程

训练结果

核心性能指标分析

1. 混淆矩阵（原始 + 归一化）

• pothole类：TP=599，FN=173 → 召回率 ≈ 77.6%（599/(599+173)）

• background类：有 173 个坑洼被误检为背景，漏检率较高

• 归一化矩阵显示：pothole预测为pothole的概率仅58%，42%被预测为背景 → 模型对坑洼的敏感度不足

2. F1曲线

• 最佳F1值 = 0.64（置信度阈值=0.265）

• 说明模型在当前阈值下精度与召回率的平衡一般

3. PR曲线

• pothole类的 AP@0.5 = 0.62

• 属于中等水平，对于道路坑洼检测而言可用但不优秀

4. P/R曲线

• 最大Recall = 0.73（在置信度≈0时）

• 最大Precision = 1.00（在置信度≈0.927时）

• 说明模型高置信度预测非常可靠，但会丢失近30%的真实坑洼

---

训练过程分析（results.png）

Epoch	box_loss	cls_loss	precision	recall	mAP50	mAP50-95
最终	0.88	0.88	0.87	0.87	0.89	0.60

• 损失下降平稳，无明显震荡 → 训练过程稳定

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html

https://blog.csdn.net/m0_68036862/category_13147048.html

项目演示视频

YOLOv8道路坑洼识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+模型训练）_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV17BTv6SELu?vd_source=549d0b4e2b8999929a61a037fcce3b0f&spm_id_from=333.788.videopod.sectionshttps://www.bilibili.com/video/BV17BTv6SELu/