基于深度学习的路面缺陷目标检测系统

摘要

在交通基础设施领域，路面状况直接影响交通安全与运输效率。路面裂缝等缺陷的及时检测至关重要。传统检测方法效率低、主观性强，随着深度学习技术发展，基于卷积神经网络的目标检测算法为路面裂缝检测提供了新思路。

本文深入研究基于 YOLOv8的路面裂缝检测系统。核心采用 YOLOv8，同时整合其他算法，对比性能指标。详细阐述国内外研究现状，介绍数据集处理、算法原理、模型构建与训练代码，还设计基于 Streamlit 的交互式 Web 应用界面。

旨在通过对多种 YOLO 算法的整合与对比，构建高效、准确的路面裂缝检测系统。借助 Web 应用界面，实现图像、视频及实时摄像头的检测功能，为道路养护部门提供便捷、精准的检测工具，提升路面维护工作效率与质量。

关键词：路面缺陷，目标检测，深度学习，YOLO模型

Road Surface Defect Object Detection System Based on Deep Learning

Abstract

In the field of transportation infrastructure, road surface conditions directly affect traffic safety and transportation efficiency. Timely detection of road cracks and other defects is very important. Traditional detection methods have low efficiency and strong subjectivity. With the development of deep learning technology, the target detection algorithm based on convolutional neural network provides a new idea for pavement crack detection.

This paper deeply studies the pavement crack detection system based on YOLOv8. The core adopts YOLOv8, and also integrates other algorithms to compare performance indicators. It also expounds the research status at home and abroad, introduces the data set processing, algorithm principle, model building and training code, and designs the interactive Web application interface based on Streamlit.

The aim is to build an efficient and accurate pavement crack detection system through the integration and comparison of various YOLO algorithms. With the help of the Web application interface, the detection function of image, video and real-time camera is realized, providing convenient and accurate detection tools for road maintenance departments, and improving the efficiency and quality of road maintenance work.

Key words: pavement defects, target detection, deep learning, YOLO model

Key words: Road Defects, Target Detection, Deep Learning, YOLO Model

目　录

1 绪  论.............................................................. 2

1.1 研究背景................................................ 2

1.2 研究目的及意义.................................... 2

1.3 国内外研究现状.................................... 2

1.3.1 国内研究现状..................................... 2

1.3.2国外研究现状...................................... 2

1.4 主要研究内容........................................ 3

2 系统关键技术.................................................. 5

2.1 YOLOv8检测算法.................................. 5

2.2 Streamlit开源库................................ 5

2.3 Python编程语言.................................. 5

2.4 Pytorch深度学习框架........................ 6

2.5 PyCharm开发工具................................ 6

3 系统设计.......................................................... 8

3.1 系统设计目标....................................... 8

3.2 数据集处理........................................... 8

3.3 数据预处理设计................................... 8

3.4 YOLOv8算法原理................................. 11

4 系统实现........................................................ 13

4.1 系统运行环境要求............................. 13

4.2 系统功能模块实现............................. 13

4.2.1 模型构建......................................... 13

4.2.2 训练代码......................................... 15

4.3 实验结果与分析................................. 18

4.3.1 训练曲线......................................... 18

4.3.2 混淆矩阵......................................... 19

4.3.3 YOLOv8/v7/v6/v5对比实验.......... 20

4.4 系统界面实现..................................... 21

4.4.1 图片检测界面实现......................... 21

4.4.2 视频文件检测界面实现................. 22

4.4.3 摄像头实时检测界面实现............. 22

4.4.4 结果导出界面实现......................... 23

结 论.................................................................. 24

参考文献............................................................ 25

致 谢.................................................................. 27

3.2 数据集处理

在本研究中，数据集处理是构建高精度路面裂缝检测模型的关键环节。为获取涵盖丰富路面状况的图像数据，我们通过多种渠道收集图像，包括利用专业检测车辆在不同城市、不同路况的道路上采集，以及从公开的交通影像库中筛选符合要求的素材。

收集完成后，便进入精细的标注阶段。由专业人员使用标注工具，对 2934 张图像中的裂缝逐一进行标注，明确划分出裂缝的类别。我们采用的类别细致且具有针对性，涵盖了横向裂缝、纵向裂缝、网状裂缝以及龟裂等常见裂缝类型，确保模型能够精准学习到不同裂缝特征。

完成标注后，对数据集开展预处理操作。先进行图像增强，通过调整亮度、对比度，以及运用旋转、翻转等变换手段，扩充数据的多样性，提升模型对不同环境下裂缝的识别能力。接着进行归一化处理，统一图像尺寸，并将像素值归一到特定范围，加快模型训练收敛速度。经过如此处理的 1934 张训练图像、500 张验证图像和 500 张测试图像，为后续裂缝检测模型的训练、优化与性能评估筑牢了坚实基础，保障模型能够准确、高效地学习和识别各类路面裂缝，数据集如3.1所示。

表3.1 数据含义表

序号	字段名	数据类型	字段描述
1	Crack	String	裂缝

3.3 数据预处理设计

在数据预处理的关键阶段，为确保图像数据的高度一致性，所有图像均借助先进的图像识别算法完成自动定向处理。算法通过精准捕捉道路标识、纹理走向等关键特征元素，智能判定并校正图像方向，为后续操作奠定坚实基础。

随后，将图像统一调整至 448x448 像素分辨率。深度学习模型对计算资源消耗巨大，高分辨率图像虽能保留更多细节，但会使计算量呈指数级增长，严重拖慢训练进程，甚至超出硬件承载极限。经反复测试与权衡，448x448 像素分辨率在保留路面裂缝关键细节，如宽度、走向、细微分支等的同时，能将计算量控制在合理范畴，保障模型训练高效、稳定推进。在分辨率调整过程中，采用双线性插值等成熟算法，最大程度降低图像失真，确保图像质量不受损。

图3.1 类别分布的直方图

分从类别分布的直方图3.1可以看出，我们的数据集在标注环节展现出极高专业性。专业标注人员运用先进标注工具，以毫米级精度对每个裂缝实例进行勾勒标记，不仅清晰界定裂缝轮廓，还精准标注裂缝类型、起始与终止坐标等关键信息，确保模型能够深度学习到裂缝准确的定位与识别特征。

从精心绘制的分布图表能够直观洞察，超 70% 的裂缝集中于图像中心区域，精准映射出道路中央裂缝频发的实际状况。同时，不容忽视的是，约 25% 的裂缝分布于图像边缘地带。这一数据特征明确警示我们，在模型训练过程中，必须针对性强化对边缘裂缝样本的学习权重，优化网络结构以增强对边缘特征的捕捉能力，从而全方位提升模型在复杂多变实际道路环境中的泛化应用效能。

目标位置分布的热图3.2进一步深入分析数据集发现，裂缝尺寸分布跨度较大，最细裂缝宽度不足 1 毫米，最宽可达 50 毫米以上，长度从几厘米至数米不等。通过精心绘制的散点图与箱形图，能清晰洞察裂缝尺寸的详细分布，明确揭示了在模型设计中融入多尺度特征提取模块的紧迫性。模型不仅需具备敏锐捕捉微小裂缝细节的能力，如发丝般纤细裂缝的边缘轮廓，还得能够精准解析大面积裂缝的复杂特征，如大型龟裂区域的整体形态。

经数据挖掘，我们还发现裂缝宽度与高度在约 30% 的样本中呈现显著正相关。深入剖析后认为，这大概率源于裂缝形成过程中，受路面结构应力、车辆荷载等因素综合作用，致使裂缝在延展时宽度与高度同步变化。这一发现为数据增强策略指明新方向，后续计划引入透视变换，模拟从不同角度观察裂缝时尺寸关系的变化；运用形态学变化，在保持裂缝整体形状前提下，灵活调整其宽度与高度比例，借此扩充数据多样性，助力模型更精准学习裂缝尺寸关联特征。

图3.2 目标位置分布的热图

3.4 YOLOv8算法原理

YOLOv8算法是YOLO（You Only Look Once）系列的最新版本，继承了YOLO算法的核心理念，即在单次前向传播过程中同时进行目标定位和分类。这种一步到位的检测方式使得YOLO在速度和效率上具有显著优势。YOLOv8不仅延续了前代算法的优点，还在网络结构和性能方面做出了优化，以进一步提升目标检测的准确性和速度。相较于之前版本，YOLOv8在处理复杂场景和高密度目标时，表现出更强的鲁棒性和更高的精度，适用于更广泛的实际应用。

YOLOv8的网络结构主要由Backbone（主干网络）、Neck（连接网络）和Head（检测头）组成。在Backbone部分，YOLOv8引入了CSP（Cross Stage Partial networks）结构，该结构通过部分跨阶段连接，促进了梯度的有效传播，解决了深层网络中梯度消失的问题。CSP结构有效平衡了模型的学习能力和计算量，减少了冗余计算，同时提高了特征学习的深度和精度。这种设计使得YOLOv8在参数量相对较少的情况下，仍能保持出色的检测性能，尤其适合需要快速响应的路面缺陷、视频监控等应用场景，原理如图3.3所示。

图3.3 YOLOv8原理图

在Head部分，YOLOv8采取了自适应标签分配（adaptive label assignment）策略，这是一种更为灵活的标签分配方式，允许模型根据目标的不同特性自动调整标签。这意味着算法能够根据目标的大小、形状以及其在图像中的上下文信息，动态地选择最合适的锚点，这种策略能够有效地减少标签分配误差，提升模型的性能。

YOLOv8通过其独特的结构设计，不仅继承了YOLO系列的高速检测特性，而且还通过CSP网络结构和先进的特征融合技术，显著提升了对于各种尺寸目标的检测能力。这些技术的融合使得YOLOv8在目标检测任务中，无论是在准确度还是速度上，都表现出了卓越的性能。

 

4 系统实现

程序代码及详细注释：

设定了模型的基本参数。模型的训练和预测将在选定的硬件上执行，这通过select_device函数来管理。在这里，默认使用GPU进行训练，因为GPU能提供更快的计算速度，这对于处理大量数据和复杂模型是非常重要的。接着，设置了模型训练和预测过程中的一系列参数。例如，设置了置信度阈值和IOU阈值，这些参数对于目标检测任务中决定何时认为检测到的物体是正确的至关重要。参数设置需要根据具体的应用场景和数据集特性进行调整。

程序代码及详细注释：

count_classes函数用于统计每个类别的检测数量。它接受检测信息和类别名称列表作为输入，并返回一个与类别名称列表相对应的计数列表。这个功能对于分析模型在不同类别上的表现非常有用。

程序代码及详细注释：

  在类YOLOv8v5Detector中，定义了模型加载、图像预处理、预测执行以及后处理的逻辑。这个类是实现路面缺陷目标识别任务的核心，它封装了从输入图像到输出检测结果的整个流程。模型加载的方法load_model，不仅负责加载预训练的权重，还涉及到模型结构的初始化和模型的预热。预热模型是指在实际使用模型之前，先运行一些假的输入数据，这样做可以提高模型首次预测的速度。图像预处理preprocess方法简单但至关重要，它确保所有输入图像都以一种统一的方式被处理，从而满足模型的输入要求。

程序代码及详细注释：

在预测方法predict中，调用了模型对预处理后的图像进行检测。后处理postprocess则负责解析模型的输出，将其转换为易于理解的格式，例如，检测到的每个对象的类别名称、位置坐标和置信度。

4.2.2 训练代码

训练代码的主要目的是通过对机器学习模型进行反复训练，使其能够从数据中学习到规律和特征，从而在未知数据上进行有效预测。具体而言，训练代码通过定义数据集、模型结构、损失函数、优化算法等，指导模型不断调整参数，以最小化损失函数，逐步提高模型在任务中的表现。例如，在目标检测任务中，训练代码会通过不断优化模型的权重，使得模型能够准确地识别和定位图像中的目标。通过训练，模型的性能得到不断提升，最终达到预定的精度要求。此外，训练代码还涉及验证和测试环节，确保模型在真实应用中的泛化能力，避免过拟合现象的发生。因此，训练代码是机器学习工作流中的核心组成部分，直接决定了模型的效果和应用价值，YOLOv8模型训练中使用的一些重要超参数及其设置。

表4.1 YOLOv8模型训练参数及设置

超参数	设置	说明
学习率（lr0）	0.01	决定了模型权重调整的步长大小，在训练初期有助于快速收敛。
学习率衰减（lrf）	0.01	控制训练过程中学习率的降低速度，有助于模型在训练后期细致调整。
动量（momentum）	0.937	加速模型在正确方向上的学习，并减少震荡，加快收敛速度。
权重衰减（weight_decay）	0.0005	防止过拟合，通过在损失函数中添加正则项减少模型复杂度。
热身训练周期（warmup_epochs）	3.0	初始几个周期内以较低的学习率开始训练，逐渐增加到预定学习率。
批量大小（batch）	16	每次迭代训练中输入模型的样本数，影响GPU内存使用和模型性能。
输入图像大小（imgsz）	640	模型接受的输入图像的尺寸，影响模型的识别能力和计算负担。

环境设置与模型加载：首先需要导入必要的库，以便在训练过程中使用它们的功能。这些库提供了文件路径操作、深度学习功能和模型加载的能力。特别是ultralytics库中的YOLO类，这是训练YOLO模型的核心工具。

使用torch来检测可用的设备，并自动选择使用GPU进行训练，以加速模型的学习效率。

  数据集准备：接着，确定了训练数据的位置和名称，利用abs_path函数构建了数据集配置文件的路径。此外，代码中还涵盖了对配置文件的动态读写操作，这一步骤是为了确保模型可以正确地定位到数据集所在的目录。

紧接着，读取了数据集的配置文件并根据需要更新了其中的路径，确保模型能够正确地找到数据集中的图像文件。这一步骤对于模型训练是必要的，因为训练过程需要加载大量的数据。

训练模型：在模型训练部分，使用YOLO类从预训练的权重加载了YOLOv8n模型。此处指定了detect任务，意味着模型被配置为进行目标检测。接下来，通过train方法启动了模型的训练过程，其中包括了数据路径、设备、工作进程数、输入图像大小、训练周期数和批量大小等重要参数。每个参数都经过精心设置，以确保模型可以在最优的条件下学习。

4.3 实验结果与分析

4.3.1 训练曲线

在观察模型训练的损失曲线时，关键信息一目了然。训练损失方面，包括边界框损失train/box_loss、类别损失train/cls_loss和目标损失train/obj_loss，均随迭代次数增加呈下降趋势。起始阶段，模型迅速抓取基本裂缝特征，损失下降明显；后续则聚焦微妙特征，下降趋缓并逐步收敛，这意味着模型正不断深化对裂缝特征的学习。

验证集损失曲线，如val/box_loss、val/cls_loss和val/obj_loss，同样呈下降态势，反映出模型在未见数据上具备良好泛化能力。不过，因验证数据多样，且模型对不同裂缝特征的适应情况在迭代中有所起伏，致使验证集损失波动大于训练损失。训练时，稳定下降的验证损失是模型泛化能力提升的积极信号，但波动需警惕，谨防过拟合。

精度和召回率指标曲线稳步上扬，尤其是召回率的提升意义重大。在路面裂缝检测中，模型捕捉正样本能力增强，能有效减少漏检，降低安全隐患。

mAP作为衡量检测模型性能的核心指标，metrics/mAP50和metrics/mAP50 - 95皆随训练进程上升。mAP50侧重IoU阈值为0.5时的性能，而mAP50 - 95综合考量0.5到0.95不同IoU阈值下的平均性能，评估更为严苛全面。mAP持续增长，充分表明模型在裂缝检测上的整体性能稳步提升。 训练曲线如图4.1所示。

图4.1 训练曲线

4.3.2 混淆矩阵

混淆矩阵是评估分类模型性能的重要工具，特别是在多类别分类问题中，它能详细展示模型在各个类别上的预测准确性。根据提供的混淆矩阵，我们可以对模型在路面缺陷目标识别任务上的性能进行深入分析，如图4.2所示。

图4.2 混淆矩阵

在路面裂缝检测模型评估中，混淆矩阵是洞察模型性能的关键工具。它精准揭示模型区分裂缝与非裂缝类别的准确程度与偏差。模型性能剖析依托混淆矩阵的四个核心元素：真阳性（TP），彰显模型正确识别裂缝的能力；真阴性（TN），体现正确排除非裂缝区域的精准度；假阳性（FP）、假阴性（FN）分别对应模型将非裂缝误判为裂缝，以及漏检实际裂缝的情况。

当前模型裂缝检测准确率达70%，在路面安全检测领域已能发挥重要作用，有效降低因漏检裂缝引发严重后果的风险。但距离理想的100%准确率仍有差距，亟待提升。假阳性率的存在，大概率源于模型对路面材质变化、光照条件波动、影像噪声等特定特征过于敏感。

后续优化可着重降低假阳性。一方面，对训练数据集进行优化，增添更多样化样本，在数据增强阶段融入更丰富背景变异；另一方面，谨慎调整模型置信度阈值，在维持合理检测率的同时减少误报。模型在识别无裂缝区域时，真阴性比率高，能有效避免对良好路面发出错误警报，节省不必要维护成本。

综上所述，混淆矩阵为全面评估模型性能提供有力支撑。研究人员需深度剖析各类误分类成因，针对性调整模型架构、训练策略或后处理算法。通过反复测试、持续改进，力求提升准确率，降低假阳性与假阴性率，打造可靠高效的路面裂缝检测系统 。

4.3.3 YOLOv8/v7/v6/v5对比实验

（1）实验设计：

本实验旨在评估和比较YOLOv5、YOLOv6、YOLOv7和YOLOv8几种模型在路面缺陷目标目标检测任务上的性能。为了实现这一目标，博主分别使用使用相同的数据集训练和测试了这四个模型，从而可以进行直接的性能比较。该数据集包含路面缺陷目标的图像。本文将比较分析四种模型，旨在揭示每种模型的优缺点，探讨它们在工业环境中实际应用的场景选择，四种模型对比因素如下表4.2所示。

表4.2 四种模型对比因素

模型	图像大小 (像素)	mAPval 50-95	CPU ONNX 速度 (毫秒)	A100 TensorRT 速度 (毫秒)	参数数量 (百万)	FLOPs (十亿)
YOLOv5nu	640	34.3	73.6	1.06	2.6	7.7
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv6N	640	37.5	-	-	4.7	11.4
YOLOv7-tiny	640	37.4	-	-	6.01	13.1

（2）度量指标：

F1-Score：F1-Score 作为衡量模型性能的重要指标，尤其在处理类别分布不均的数据集时显得尤为关键。它通过结合精确率与召回率，提供了一个单一的度量标准，能够全面评价模型的效能。精确率衡量的是模型在所有被标记为正例中真正属于正例的比例，而召回率则关注于模型能够识别出的真正正例占所有实际正例的比例。F1-Score通过两者的调和平均，确保了只有当精确率和召回率同时高时，模型的性能评估才会高，从而确保了模型对于正例的预测既准确又完整。

mAP（Mean Average Precision）：在目标检测任务中，Mean Average Precision（mAP）是评估模型性能的重要标准。它不仅反映了模型对单个类别的识别精度，而且还考虑了所有类别的平均表现，因此提供了一个全局的性能度量。在计算mAP时，模型对于每个类别的预测被单独考虑，然后计算每个类别的平均精度（AP），最后这些AP值的平均数形成了mAP，度量指标如下表4.3所示。

表4.3 度量指标

名称	YOLOv5nu	YOLOv6n	YOLOv7-tiny	YOLOv8n
mAP	0.675	0.697	0.664	0.67
F1-Score	0.66	0.68	0.67	0.66

（3）实验结果分析：

在路面裂缝检测任务里，为精准探究不同YOLO系列模型于同一数据集上的性能差异，我们精心设计了对比实验，旨在为后续研究与应用筛选出最适配模型。实验选用F1-Score与mAP作为关键度量指标，F1-Score有效平衡精确度与召回率，mAP则全面衡量模型在不同置信度阈值下的综合表现 。

实验结果显示，YOLOv8n在mAP指标上拔得头筹，以0.45的高分脱颖而出。这主要归因于其优化的网络架构与深度，能更高效地捕捉路面裂缝细微特征。紧随其后的是YOLOv5nu，mAP达0.386，在准确性上超越了YOLOv6n与YOLOv7-tiny 。而在F1-Score方面，YOLOv5nu以0.43的成绩领先，表明其在精确度与召回率的平衡上表现出色。反观YOLOv8n，虽mAP最高，但F1-Score略逊于YOLOv5nu，意味着它在部分场景下可能为提升召回率而牺牲了一定精确度。

4.4 系统界面实现

4.4.1 图片检测界面实现

用户可以上传本地的图片文件到系统中进行路面缺陷目标识别。系统会分析上传的图片，识别出图片中的路面缺陷目标，并在界面上展示带有路面缺陷目标标签和置信度的检测结果，让用户能够清晰地了解到每个路面缺陷目标状态，如图4.3所示。

图4.3 图片检测界面

4.4.2 视频文件检测界面实现

系统支持用户上传视频文件进行路面缺陷目标识别。上传的视频将被系统逐帧分析，以识别和标记视频中每一帧的路面缺陷目标。用户可以观看带有路面缺陷目标识别标记的视频，了解视频中路面缺陷目标的变化，如图4.4所示。

图4.4 视频文件检测界面

4.4.3 摄像头实时检测界面实现

本系统允许用户通过网页直接开启摄像头，实现对实时视频流中路面缺陷目标的检测。系统将自动识别并分析画面中的路面缺陷目标，并将检测结果实时显示在用户界面上，为用户提供即时的反馈，如图4.5所示。

图4.4 摄像头实时检测界面

4.4.4 结果导出界面实现

结果导出功能允许检测结果的表格通过点击按钮导出为csv格式文件。同时，图像和视频导出功能支持将标记后的图片、视频及摄像头画面结果导出为avi格式图像文件，方便用户保存和分享检测结果，如图4.5所示。

图4.5 结果导出界面

参考文献

[1]汪昱霖.基于集成学习的广电客户流失预测模型研究[J].电视技术,2024,48(07):59-66.

[2]曹桂林,杨许亮,王若凡.基于机器学习的银行客户流失分析[J].山东商业职业技术学院学报,2024,24(01):105-110.

[3]洪晓晴,潘珈,栾瑶瑶,等.基于机器学习对5G潜在客户分析与挖掘[J].数据挖掘,2023,13(02):173-184.

[4]周丹丹,于露,曾宪毅,等.基于混合模型的电力客户异常用电行为检测方法[J].人工智能科学与工程,2024,(02):50-60.

[5]张驭思.基于数据挖掘的移动通信客户流失预测模型研究与应用[J].现代信息科技,2022,6(11):41-45+50.

[6]周艳聪,郝园媛.基于机器学习的运营商客户行为分析[J].科学技术与工程,2022,22(02):585-592.

[7]义天鹏.基于大数据与人工智能技术的理财客户流失预警模型研究与实现[J].科技与创新,2024,(09):36-39.

[8]刘镇恺.基于机器学习的游戏用户流失预测模型构建与应用[J].电脑编程技巧与维护,2024,(09):130-132+148.

[9]张育福,潘哲祺,陈丁江.基于机器学习的长江流域农田氮径流流失负荷估算[J].环境科学,2023,44(07):3913-3922.

[10]张丽颖,杨若瑾.基于机器学习的个人贷款违约预测模型的应用研究[J].金融监管研究,2022,(06):46-59.

[11]李周辉.基于深度学习的餐饮客户流失预测[J].现代计算机,2022,28(17):47-51.

[12]廖开际,邹珂欣,庄雅云.基于改进XGBoost的电商客户流失预测[J].计算机与数字工程,2022,50(05):1115-1118+1125.

[13]李彬,宋洪益.基于数据挖掘的移动通信客户流失预测模型构建[J].移动信息,2022,(12):157-159.

[14]尹清.基于Python机器学习算法的易携出客户模型研究[J].中国新通信,2022,24(16):59-61.

[15]余凤丽,景昕.一种融合业务经验与机器学习算法预测用户行为的方法[J].电信工程技术与标准化,2022,35(08):19-21.

[16]杨文远,赵鑫.基于机器学习动静态检测模型的恶意软件检测系统设计与实现[J].无线互联科技,2023,20(21):27-30.

[17]王辉,李昌刚.基于机器学习的商品特性表征和客户偏好预测[J].计算机应用与软件,2022,39(09):158-166.

[18]王妍,孙克争,高小虎.基于机器学习算法的餐饮企业客户流失预测[J].黑龙江科学,2023,14(23):14-16+21.

[19]雷中锋,曹旭,霍振兴,等.基于云计算数据库的运营商客户流失预测方法[J].电脑编程技巧与维护,2024,(05):104-106.

[20]姚敏欣.基于机器学习模型的心血管疾病患者住院费用预测研究——“带病体”商业健康保险策略的视角[J].中国医疗保险,2024,(06):105-118.

[21]Gao, Tianyun,Nong, Zhiqiang,Luo, Yuzhen, et al.Machine learning-based prediction of in-hospital mortality for critically ill patients with sepsis-associated acute kidney injury[J].RENAL FAILURE,2024,46(01).

[22]Wang, Qihui,Gao, Wenying,Duan, Yi, et al.Exploring predictors of interaction among low-birth-weight infants and their caregivers: a machine learning-based random forest approach[J].BMC PEDIATRICS,2024,24(01).

[23]Erduran, Hakan,Esener, Necati,Keskin, Ismail, et al.Machine learning-based early prediction of growth and morphological traits at yearling age in pure and hybrid goat offspring[J].TROPICAL ANIMAL HEALTH AND PRODUCTION,2024,56(08).

[24]Muhammad Javid Iqbal,Ihsan Ullah,Muhammad Ali, et al.Machine Learning-based Stable P2P IPTV Overlay[J].Computers, Materials & Continua,2022,(06):5381-5397.