Year: 2026
Type: article
Abstract: Hư hỏng mặt đường, đặc biệt là “ổ gà”, là mối đe dọa nghiêm trọng đối với an toàn giao thông và gây thiệt hại kinh tế lớn tại nhiều quốc gia. Các phương pháp khảo sát truyền thống tốn kém, chủ quan và thiếu hiệu quả, trong khi các giải pháp tự động hiện có vẫn gặp khó khăn trong các điều kiện thực tế phức tạp như bóng râm, vũng nước, ánh sáng yếu và ổ gà kích thước nhỏ. Nghiên cứu này đề xuất cải tiến kiến trúc YOLOv12 kết hợp với module self-attention (SA) để nắm bắt mối quan hệ ngữ cảnh toàn diện và Enhanced Visual Center Block (EVCBlock) tập trung trích xuất đặc trưng trung tâm ổ gà và ức chế nhiễu ngoại vi. Mô hình được huấn luyện và đánh giá trên bộ dữ liệu 19,267 ảnh tổng hợp từ RDD2020, RDD2022 và Roboflow. Kết quả thực nghiệm cho thấy mô hình đề xuất đạt Precision = 84.23%, Recall = 74.97%, F1-score = 79.33%, [email protected] = 82.36% - vượt trội so với YOLOv12 gốc (+6.28% [email protected]) và một số biến thể YOLO nano (YOLOv5n, YOLOv8n, YOLOv11n). So với kiến trúc ResNet50, Vision Transformer và Swin Transformer, mô hình đề xuất đạt độ chính xác tương đương trong khi giảm 66-68% chi phí tính toán và 67-69% tiêu thụ năng lượng, duy trì tốc độ 122 FPS trên GPU NVIDIA RTX 3050.
Institution: Hanoi Open University
Language: Vietnamese
Subfield: Civil and Structural Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7203909487