针对传统道路巡检依赖人工目视检测效率低的问题，本研究开发了一套基于YOLOv8算法的雷达图像病害检测系统。系统通过整合日本和印度的公开道路雷达数据集，使用轻量化模型自动识别裂缝、坑洞等四类病害，检测结果以红色方框标注位置并显示可信度评分。核心功能包括图片上传、实时检测与结果对比，用户通过网页点击按钮即可完成操作，单张图片检测时间控制在5秒以内。测试表明，普通笔记本电脑即可流畅运行系统，对典型病害的识别准确率达82%，标注框位置误差小于5像素。研究成果为基层道路养护提供了低成本的智能化工具，验证了轻量化模型在有限硬件条件下的可行性，具备实际推广价值。

3.3 数据模型分析

数据模型围绕雷达图像的处理流程设计，分为数据采集、预处理、训练和应用四个环节。

原始数据来自日本和印度公开的雷达图像集，包含不同地质条件下的裂缝、坑洞等病害图片。

预处理阶段使用Python脚本统一图片尺寸为640x640像素，删除模糊或标注错误的无效数据，通过水平翻转、色彩调整生成更多训练样本。

训练数据按8:2比例划分为训练集和验证集，输入YOLOv8模型前自动归一化像素值到0-1区间，加快模型收敛速度。模型输出包含病害类型、位置坐标和置信度，结果以CSV文件格式存储，便于后续可视化模块调用。实际应用中，用户上传的雷达图像经过相同预处理流程，模型推理结果通过Streamlit界面展示，标注框叠加在原图上，直观显示病害位置。所有数据操作均在本地文件夹完成，无需数据库支持。

4.1 系统架构设计

系统整体架构分为四个部分：数据采集与存储、数据处理、模型训练与推理、用户交互界面。系统架构图如下图4-1所示：

图4-1 系统架构图

数据采集部分通过下载公开的日本和印度雷达图像数据集，按国家分类存储到本地文件夹中，图片命名规则为“国家_编号.jpg”（如“Japan_001.jpg”）。数据处理阶段调用Python脚本自动统一图片尺寸为640x640像素，删除模糊或标注错误的图像，并通过水平翻转、颜色微调生成更多训练样本。

模型训练基于YOLOv8框架，学生从官网下载预训练模型文件（yolov8s.pt），修改配置文件指定输入数据和病害类别。训练过程中，系统自动读取处理后的图片和标注文件，每训练10轮保存一次中间模型，方便中断后继续训练。训练完成的模型文件（best.pt）保存在本地文件夹，供后续检测调用。

用户交互界面使用Streamlit搭建，网页分为图片上传区、参数调节区和结果展示区。用户点击上传按钮选择本地雷达图片，系统后台调用模型检测病害，5秒内返回标注结果图。界面左侧提供滑动条调整检测阈值（如默认0.5），实时过滤低置信度的误检框。所有操作产生的日志和临时文件均存储在项目根目录下，避免复杂的环境配置或数据库依赖。

整个架构设计强调“本地化”和“轻量化”，数据和模型均通过本地文件读写交互，无需网络传输或云端资源。

6.1 功能测试

测试覆盖图片上传、病害检测与结果展示功能。用户点击“选择图片”按钮上传本地雷达图像，系统自动加载图片至“原始图片”区域。点击“开始检测”按钮后，后台调用YOLOv8模型分析，约5秒内右侧“检测结果”区域显示标注图。测试中发现，系统能准确标注坑洞位置,如图6-1中标注“坑洞0.28”“坑洞0.38”，数值代表检测置信度评分，评分越高表示病害可能性越大。

图6-1 系统测试图

表6-1 功能测试用例

测试项	输入/操作	预期结果	实际结果
图片上传	上传JPG格式雷达图像	左侧显示原图	图片加载正常，无变形
病害检测	点击“开始检测”按钮	右侧显示带标注的结果图	标注框位置准确
置信度显示	检测完成	显示坑洞评分（如0.28）	数值与标注框一一对应