本發(fā)明屬于目標(biāo)檢測領(lǐng)域，特別是涉及一種基于改進(jìn)yolov5的道路病害檢測方法和裝置。

背景技術(shù)：

1、道路維護(hù)對于確保城市交通的順暢和安全至關(guān)重要。保持良好的路況可以提高駕駛舒適性和安全性，減少車輛磨損和事故。道路病害檢測是道路維護(hù)的一個重要方面，可解決裂縫和坑洼等問題，這些問題會影響駕駛舒適性，并可能導(dǎo)致交通事故。及時準(zhǔn)確地檢測和修復(fù)這些缺陷對于確保道路安全和延長道路使用壽命至關(guān)重要。忽視這些問題可能會在自然或人為影響下使問題更加嚴(yán)重。因此，道路病害檢測已成為道路維護(hù)和交通管理的重要組成部分。

2、傳統(tǒng)的路面病害檢測方法主要依賴于人工檢查和基于傳統(tǒng)圖像處理及機(jī)器學(xué)習(xí)的算法。人工檢查方法雖然直觀且精度高，但效率低下且主觀性強，容易受到人為因素的影響，其人工成本也較高?；趥鹘y(tǒng)圖像處理和機(jī)器學(xué)習(xí)算法，例如支持向量機(jī)，依賴于手工設(shè)計的特征和規(guī)則，這種人為因素直接影響檢測性能，難以應(yīng)對復(fù)雜多變的路面環(huán)境，檢測精度和魯棒性有限。隨著深度學(xué)習(xí)技術(shù)的迅猛發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)的目標(biāo)檢測方法比如單階段方法直接在圖像上進(jìn)行目標(biāo)分類和邊界框回歸。yolo系列算法和ssd是單階段方法的典型代表。其在保持計算速度的同時盡可能保證了精度的準(zhǔn)確性。yolo系列模型作為其中的代表，以其高速和高精度的檢測性能，廣泛應(yīng)用于各種目標(biāo)檢測任務(wù)。其中，yolov5模型在保持檢測速度的同時，進(jìn)一步提升了檢測精度，是當(dāng)前目標(biāo)檢測領(lǐng)域的前沿方法之一。

3、然而，由于病害的復(fù)雜性，當(dāng)采用單階段目標(biāo)檢測方法進(jìn)行路面病害檢測時，存在多個挑戰(zhàn)：(1)單階段方法在檢測小目標(biāo)時表現(xiàn)較差，因為這些方法在高層特征圖上進(jìn)行預(yù)測，而高層特征圖的分辨率較低，容易導(dǎo)致小目標(biāo)信息的丟失。道路病害檢測中，微小病害的識別尤其困難，因為這些病害在圖像中占據(jù)的像素較少，容易被忽略或誤檢；(2)相比于兩階段方法，單階段方法通常在檢測精度上稍遜一籌。這是因為單階段檢測器在一次前向傳播中同時進(jìn)行目標(biāo)分類和邊界框回歸，難以對復(fù)雜場景中的細(xì)節(jié)進(jìn)行充分處理。在檢測多尺度、不規(guī)則形狀的道路病害時，精度可能不夠理想。尤其是在道路病害檢測中，由于病害形狀的不規(guī)則性和背景的多樣性，前景與背景的信息容易混淆，導(dǎo)致檢測結(jié)果不穩(wěn)定。

技術(shù)實現(xiàn)思路

1、為了解決背景技術(shù)中存在的問題，本發(fā)明的一方面提供一種基于改進(jìn)yolov5的道路病害檢測算法，以提高道路病害檢測的精度和魯棒性，確保檢測系統(tǒng)在復(fù)雜環(huán)境下的可靠性，包括：獲取道路圖像并進(jìn)行預(yù)處理，將預(yù)處理后的道路圖像輸入訓(xùn)練好的道路病害檢測模型，得到檢測結(jié)果；其中，所述道路病害檢測模型包括：在yolov5的第4網(wǎng)絡(luò)層和第16網(wǎng)絡(luò)層之間插入一個mase模塊；在第9網(wǎng)絡(luò)層和第10網(wǎng)絡(luò)層之間插入一個mase模塊；在第14網(wǎng)絡(luò)層和第19網(wǎng)絡(luò)層之間插入一個mase模塊；將第6網(wǎng)絡(luò)層的輸出特征跨接到第19網(wǎng)絡(luò)層的輸入端；將第8層網(wǎng)絡(luò)層的輸出特征跨接到第22網(wǎng)絡(luò)層的輸入端；得到道路病害檢測模型。

2、優(yōu)選地，所述將第6網(wǎng)絡(luò)層的輸出特征跨接到第19網(wǎng)絡(luò)層的輸入端包括：將第6網(wǎng)絡(luò)層的輸出特征首先經(jīng)過1x1卷積，調(diào)整通道數(shù)為與輸入第19網(wǎng)絡(luò)層的其余特征一致；經(jīng)過1x1卷積調(diào)整后的特征與輸入第19網(wǎng)絡(luò)層的其余特征在第19網(wǎng)絡(luò)層在通道維度上進(jìn)行拼接。

3、優(yōu)選地，所述將第8層網(wǎng)絡(luò)層的輸出特征跨接到第22網(wǎng)絡(luò)層的輸入端包括：將第8網(wǎng)絡(luò)層的輸出特征首先經(jīng)過1x1卷積，調(diào)整通道數(shù)為與輸入第22網(wǎng)絡(luò)層的其余特征一致；經(jīng)過1x1卷積調(diào)整后的特征與輸入第22網(wǎng)絡(luò)層的其余特征在第22網(wǎng)絡(luò)層在通道維度上進(jìn)行拼接。

4、優(yōu)選地，所述mase模塊包括：通道注意力機(jī)制模塊和空間注意力機(jī)制模塊；所述通道注意力機(jī)制模塊對輸入特征圖進(jìn)行注意力處理得到通道注意力權(quán)重矩陣；所述空間注意力機(jī)制模塊對輸入特征圖進(jìn)行注意力處理得到空間注意力權(quán)重矩陣；將通道注意力權(quán)重矩陣和空間注意力權(quán)重矩陣相乘得到綜合的權(quán)重矩陣；將綜合的權(quán)重矩陣和mase模塊的輸入特征相乘得到mase模塊的輸出特征。

5、優(yōu)選地，所述通道注意力機(jī)制模塊首先對mase模塊的輸入特征進(jìn)行全局平均池化或全局最大池化操作，生成一個1*1*c的向量z1，c表示mase模塊輸入特征的通道數(shù)；將向量z1輸入兩層全連接層得到一個1*1*c的通道注意力權(quán)重矩陣，兩層全連接層之間存在一個超參數(shù)r，向量z1經(jīng)過第一層全連接層后維度由(1*1*c)變?yōu)?1*1*c/r)，再經(jīng)過第二層全連接層維度由(1*1*c/r)變?yōu)?1*1*c)的通道注意力權(quán)重矩陣；第一層全連接層的激活函數(shù)為relu，第二層全連接層的激活函數(shù)為sigmoid。

6、優(yōu)選地，所述空間注意力機(jī)制模塊首先對mase模塊的輸入特征通過1×1卷積將通道數(shù)壓縮到c/ratio，然后經(jīng)過relu激活；再通過另一個1×1卷積將通道數(shù)恢復(fù)到原始的c；最后通過softmax激活函數(shù)生成空間注意力權(quán)重矩陣。

7、優(yōu)選地，所述道路病害檢測模型采用hiou損失函數(shù)進(jìn)行訓(xùn)練，hiou損失函數(shù)表示為：

8、

9、其中，iou表示道路病害區(qū)域的預(yù)測框與真實框的交并比；a表示道路病害區(qū)域的真實框，b表示道路病害區(qū)域的預(yù)測框；c表示包含真實框a和預(yù)測框b的最小閉包矩形的對角線長度；v用來度量真實框a和預(yù)測框b長寬比的相似性；ac表示真實框a和預(yù)測框b的最小閉包矩形最小閉包矩形的面積；ρ2表示真實框a和預(yù)測框b中心之間的距離；wb表示預(yù)測框b的寬度；hb表示預(yù)測框b的高度；wa表示真實框a的寬度；ha表示真實框a的寬度。

10、本發(fā)明的另一方面提供一種基于改進(jìn)yolov5的道路病害檢測裝置，包括處理器和存儲器；所述存儲器用于存儲計算機(jī)程序；所述處理器與所述存儲器相連，用于執(zhí)行所述存儲器存儲的計算機(jī)程序，以使所述一種基于改進(jìn)yolov5的道路病害檢測裝置執(zhí)行所述的一種基于改進(jìn)yolov5的道路病害檢測方法。

11、本發(fā)明的再一方面提供一種計算機(jī)可讀存儲介質(zhì)，存儲有程序，所述程序被處理器執(zhí)行時，實現(xiàn)所述的一種基于改進(jìn)yolov5的道路病害檢測方法。

12、本發(fā)明至少具有以下有益效果

13、本發(fā)明通過集成改進(jìn)的混合注意力擠壓激勵(mixed?attention?squeeze-and-excitation,mase)模塊，提升了在復(fù)雜背景下的特征提取能力，有效增強了前景和背景信息的區(qū)分能力，解決了多樣化背景元素對病害特征的遮擋和混淆問題。此外，引入了跨層增強網(wǎng)絡(luò)(cross-layer?enhancement?network,clen)來改進(jìn)特征融合框架，增強了多尺度特征的融合效果，解決了微小病害特征在多個下采樣階段的丟失問題。同時，設(shè)計了混合hiou損失(hybrid?iou?loss,hiou)函數(shù)，以更全面地計算損失，從而應(yīng)對不規(guī)則形狀病害的檢測挑戰(zhàn)。

技術(shù)特征：

1.一種基于改進(jìn)yolov5的道路病害檢測方法，其特征在于，包括：獲取道路圖像并進(jìn)行預(yù)處理，將預(yù)處理后的道路圖像輸入訓(xùn)練好的道路病害檢測模型，得到檢測結(jié)果；其中，所述道路病害檢測模型包括：在yolov5的第4網(wǎng)絡(luò)層和第16網(wǎng)絡(luò)層之間插入一個mase模塊；在第9網(wǎng)絡(luò)層和第10網(wǎng)絡(luò)層之間插入一個mase模塊；在第14網(wǎng)絡(luò)層和第19網(wǎng)絡(luò)層之間插入一個mase模塊；將第6網(wǎng)絡(luò)層的輸出特征跨接到第19網(wǎng)絡(luò)層的輸入端；將第8層網(wǎng)絡(luò)層的輸出特征跨接到第22網(wǎng)絡(luò)層的輸入端；得到道路病害檢測模型。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov5的道路病害檢測方法，其特征在于，所述將第6網(wǎng)絡(luò)層的輸出特征跨接到第19網(wǎng)絡(luò)層的輸入端包括：將第6網(wǎng)絡(luò)層的輸出特征首先經(jīng)過1x1卷積，調(diào)整通道數(shù)為與輸入第19網(wǎng)絡(luò)層的其余特征一致；經(jīng)過1x1卷積調(diào)整后的特征與輸入第19網(wǎng)絡(luò)層的其余特征在第19網(wǎng)絡(luò)層在通道維度上進(jìn)行拼接。

3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov5的道路病害檢測方法，其特征在于，所述將第8層網(wǎng)絡(luò)層的輸出特征跨接到第22網(wǎng)絡(luò)層的輸入端包括：將第8網(wǎng)絡(luò)層的輸出特征首先經(jīng)過1x1卷積，調(diào)整通道數(shù)為與輸入第22網(wǎng)絡(luò)層的其余特征一致；經(jīng)過1x1卷積調(diào)整后的特征與輸入第22網(wǎng)絡(luò)層的其余特征在第22網(wǎng)絡(luò)層在通道維度上進(jìn)行拼接。

4.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov5的道路病害檢測方法，其特征在于，所述mase模塊包括：通道注意力機(jī)制模塊和空間注意力機(jī)制模塊；所述通道注意力機(jī)制模塊對輸入特征圖進(jìn)行注意力處理得到通道注意力權(quán)重矩陣；所述空間注意力機(jī)制模塊對輸入特征圖進(jìn)行注意力處理得到空間注意力權(quán)重矩陣；將通道注意力權(quán)重矩陣和空間注意力權(quán)重矩陣相乘得到綜合的權(quán)重矩陣；將綜合的權(quán)重矩陣和mase模塊的輸入特征相乘得到mase模塊的輸出特征。

5.根據(jù)權(quán)利要求4所述的一種基于改進(jìn)yolov5的道路病害檢測方法，其特征在于，所述通道注意力機(jī)制模塊首先對mase模塊的輸入特征進(jìn)行全局平均池化或全局最大池化操作，生成一個1*1*c的向量z1，c表示mase模塊輸入特征的通道數(shù)；將向量z1輸入兩層全連接層得到一個1*1*c的通道注意力權(quán)重矩陣，兩層全連接層之間存在一個超參數(shù)r，向量z1經(jīng)過第一層全連接層后維度由(1*1*c)變?yōu)?1*1*c/r)，再經(jīng)過第二層全連接層維度由(1*1*c/r)變?yōu)?1*1*c)的通道注意力權(quán)重矩陣；第一層全連接層的激活函數(shù)為relu，第二層全連接層的激活函數(shù)為sigmoid。

6.根據(jù)權(quán)利要求4所述的一種基于改進(jìn)yolov5的道路病害檢測方法，其特征在于，所述空間注意力機(jī)制模塊首先對mase模塊的輸入特征通過1×1卷積將通道數(shù)壓縮到c/ratio，然后經(jīng)過relu激活；再通過另一個1×1卷積將通道數(shù)恢復(fù)到原始的c；最后通過softmax激活函數(shù)生成空間注意力權(quán)重矩陣。

7.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)yolov5的道路病害檢測方法，其特征在于，所述道路病害檢測模型采用hiou損失函數(shù)進(jìn)行訓(xùn)練，hiou損失函數(shù)表示為：

8.一種基于改進(jìn)yolov5的道路病害檢測裝置，其特征在于，包括處理器和存儲器；所述存儲器用于存儲計算機(jī)程序；所述處理器與所述存儲器相連，用于執(zhí)行所述存儲器存儲的計算機(jī)程序，以使所述一種基于改進(jìn)yolov5的道路病害檢測裝置執(zhí)行權(quán)利要求1至6中任一項所述的一種基于改進(jìn)yolov5的道路病害檢測方法。

9.一種計算機(jī)可讀存儲介質(zhì)，存儲有程序，其特征在于，所述程序被處理器執(zhí)行時，實現(xiàn)權(quán)利要求1-8任一項所述的一種基于改進(jìn)yolov5的道路病害檢測方法。

技術(shù)總結(jié)
本發(fā)明涉及一種基于改進(jìn)YOLOv5的道路病害檢測方法和裝置，包括：獲取道路圖像并進(jìn)行預(yù)處理，將預(yù)處理后的道路圖像輸入訓(xùn)練好的道路病害檢測模型，得到檢測結(jié)果；其中，所述道路病害檢測模型包括：在YOLOv5的第4網(wǎng)絡(luò)層和第16網(wǎng)絡(luò)層之間插入一個MASE模塊；在第9網(wǎng)絡(luò)層和第10網(wǎng)絡(luò)層之間插入一個MASE模塊；在第14網(wǎng)絡(luò)層和第19網(wǎng)絡(luò)層之間插入一個MASE模塊；將第6網(wǎng)絡(luò)層的輸出特征跨接到第19網(wǎng)絡(luò)層的輸入端；將第8層網(wǎng)絡(luò)層的輸出特征跨接到第22網(wǎng)絡(luò)層的輸入端；得到道路病害檢測模型。本發(fā)明增強了多尺度特征的融合效果，解決了微小病害特征在多個下采樣階段的丟失問題。

技術(shù)研發(fā)人員：吳廣富,梁隆鑫,薛豪沖,劉昊,李云
受保護(hù)的技術(shù)使用者：重慶郵電大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19