YOLO-ERCD：用於高效路面裂縫檢測的增強型 YOLO 框架

我們很高興與您分享，最新發表的期刊論文《YOLO-ERCD: An Upgraded YOLO Framework for Efficient Road Crack Detection》（YOLO-ERCD：用於高效路面裂縫檢測的增強型 YOLO 框架）已獲學術期刊《Sensors》(MDPI) 正式刊登：

Xiao Li, Ying Chu, Thorsten Chan, Wai Lun Lo, and Hong Fu, “YOLO-ERCD: An Upgraded YOLO Framework for Efficient Road Crack Detection,” Sensors, vol. 26, no. 2, 564, 2026.

論文摘要

在智能交通與基建控制系統中，如何透過視覺感測技術實現高效、可靠的路面破損檢測，始終是一大挑戰。現有的檢測模型往往面臨「三難」局面：細微裂縫易漏檢、光線變化適應差、以及在複雜背景下頻發誤報。

針對這些痛點，本研究利用車載與交通監控鏡頭採集的真實數據，提出了一種增強型 YOLO 框架——YOLO-ERCD。該架構專為解決 YOLOv10 在特徵表現與抗干擾上的局限而設計，整合了三大核心技術：

1. 殘差卷積塊注意力模組 (R-CBAM)：透過殘差連接保留原始資訊，同時大幅強化空間與通道的特徵識別能力。
2. 通道自適應伽馬校正模組 (CAGC)：這項技術模擬了人類視覺系統對光強度的非線性反應，能自適應地增強亮度細節，確保模型在各種光照條件下都能「看」得清楚。
3. 視覺焦點噪聲調製模組 (VFNM)：通過選擇性引入噪聲來抑制背景干擾，從而突顯出路面破損的關鍵特徵。

實驗結果顯示，YOLO-ERCD 無論在準確度還是運算效率上，均優於近期的路面檢測模型。其輕量化的設計更支援在邊緣感測與控制設備上進行實時部署。這項研究展現了 AI 視覺感測與智能控制深度結合的潛力，為構建更具感知力、更穩健的道路監控系統提供了強有力的技術支撐。

研究團隊成員

香港珠海學院

• 盧葦麟教授，資訊科學系系主任

深圳大學

• Xiao Li，計算機與軟件學院
• 儲穎，計算機與軟件學院

香港教育大學

• 傅弘，數學與資訊科技學系副教授

香港生產力促進局

• Thorsten Chan

部分論文照片

圖 1. 架構解密：YOLO-ERCD 的內部構造。 我們在 YOLOv10s 的基礎上進行了全面升級，透過注入 R-CBAM、CAGC 和 VFNM 三大模組來「強化引擎」，專門應對現實世界中粗糙且變幻莫測的路面狀況。