本發(fā)明涉及道路檢測，特別涉及基于yolov9的道路自巡評檢系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代社會，道路作為城市基礎(chǔ)設(shè)施的重要組成部分，對經(jīng)濟發(fā)展和人民生活起著至關(guān)重要的作用。良好的道路狀況是確保交通安全、提高交通效率的前提。然而，由于環(huán)境因素、車輛負載和材料老化等影響，道路會出現(xiàn)裂縫、坑洼和其他損壞，定期的巡檢和維護對于保持道路性能和延長使用壽命至關(guān)重要。傳統(tǒng)的道路巡檢依賴于人工視覺檢查或簡單的儀器測量，這種方法工作量大、成本高、周期長，且極易受到主觀因素的影響，導致檢測效率和準確性難以滿足現(xiàn)代城市發(fā)展的需求。但隨著科學技術(shù)的發(fā)展和計算機時代的到來，攝像設(shè)備像素和計算機運算能力得以極大提高，這有助于對路面進行圖像記錄，并進一步采用計算機設(shè)備完成道路病害的自動識別。該操作模式有很多優(yōu)點，如無需現(xiàn)場作業(yè)，無需封閉交通，檢查效率高，精確度高和可極大地減少路面病害檢查的總成本低等。

2、在攝像設(shè)備和計算機等硬件技術(shù)發(fā)展的同時，相關(guān)的軟件算法方面也取得了較大進展。早在20世紀80年代，學者就開始將數(shù)字圖像處理技術(shù)應(yīng)用到路面病害的智能提取上，并取得了很好的效果。隨著計算機自動控制的發(fā)展，基于計算機自動控制的道路裂縫檢查系統(tǒng)也得到了快速的發(fā)展，很多國家的科研機構(gòu)研制了道路智能檢測車。雖然國內(nèi)外的學者在該領(lǐng)域的研究取得了很多的成果，但是基于數(shù)字圖像的裂縫病害自動檢測系統(tǒng)還有待發(fā)展和完善，還有一些關(guān)鍵問題沒有完全解決，如數(shù)據(jù)獲取與傳輸，裂縫的識別與定位，數(shù)據(jù)處理結(jié)果的展示等。這些關(guān)鍵的問題決定了道路工程建設(shè)的安全性和可靠性，對于延長道路使用的壽命起著至關(guān)重要的作用。

3、除了運營維護階段路面病害檢查方面的問題之外，道路工程質(zhì)量管理體系的其他階段也存在著待完善的舉措。因此，開發(fā)一種高效、自動化、智能化的道路自巡評檢系統(tǒng)顯得尤為迫切。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于yolov9的道路自巡評檢系統(tǒng)，以解決上述背景技術(shù)中提出的問題。

2、為解決上述問題，本發(fā)明所采取的技術(shù)方案如下：

3、基于yolov9的道路自巡評檢系統(tǒng)，包括

4、攝像頭、定位模塊、雷達、主控單元以及目標算法檢測模塊，所述攝像頭、定位模塊、雷達以及主控單元搭載在道路巡航車上，所述目標算法檢測模塊設(shè)置于用戶操作pc上；

5、所述攝像頭用于對道路圖像進行自動拍攝，并通過局域網(wǎng)傳輸至用戶操作pc進行算法分析判斷是否有裂痕坑洼情況；

6、當所述目標算法檢測模塊檢測到攝像頭拍攝的圖像出現(xiàn)道路損壞時，讀取定位模塊數(shù)據(jù)并通過esp芯片將信息發(fā)送至基于騰訊云輕量應(yīng)用服務(wù)器搭建的emqx服務(wù)器且進一步上傳至用戶界面，同時將圖像和檢測結(jié)果展示給用戶。

7、優(yōu)選地，所述主控單元為魯班貓微電腦，搭載linux系統(tǒng)并通過局域網(wǎng)與虛擬機實現(xiàn)對巡航車狀態(tài)的可視化與遠程控制巡航車。

8、優(yōu)選地，所述定位模塊采用的傳感器為odom、gps以及imu。

9、優(yōu)選地，所述esp芯片將收集到的數(shù)據(jù)打包發(fā)送至云端emqx服務(wù)器，在云端進行數(shù)據(jù)解算，并將實時的工作信息展現(xiàn)在pc上。

10、優(yōu)選地，所述目標算法檢測模塊采用yolov9目標檢測算法，將可編程梯度信息pgi和用于對象檢測的生成潛在嵌入glean架構(gòu)集成到y(tǒng)olov9中，進一步增強其在對象檢測任務(wù)中的性能，并形成可編程梯度信息pgi及其網(wǎng)絡(luò)架構(gòu)方法；

11、所述可編程梯度信息pgi及其網(wǎng)絡(luò)架構(gòu)方法包括以下四種不同的網(wǎng)絡(luò)設(shè)計：

12、(1)pan：用于改進特征融合，以提高目標檢測的性能；

13、(2)revco?l：用于減少信息丟失的網(wǎng)絡(luò)設(shè)計，通過可逆的列結(jié)構(gòu)來維持信息流通不受損失；

14、(3)深度監(jiān)督：通過在網(wǎng)絡(luò)的多個層次中插入額外的監(jiān)督信號來提高學習的效率和最終模型的性能；

15、(4)可編程梯度信息pgi：用于在前向傳播的過程中沒有跳級鏈接。

16、優(yōu)選地，所述可編程梯度信息pgi包括主分支、輔助可逆分支以及多級輔助信息；

17、其中，所述主分支用于推理的架構(gòu)；

18、所述輔助可逆分支用于生成可靠的梯度，以供給主分支進行反向傳播；

19、所述多級輔助信息用于控制主分支學習可規(guī)劃的多級語義信息。

20、優(yōu)選地，所述yolov9目標檢測算法包括檢測模型、訓練模型、模型評估、模型輕量化、模型部署以及檢測效果；

21、所述檢測模型包括yolov9s、yolov9m、yolov9?l三種模型，其區(qū)別在于參數(shù)量不同，yolov9s是參數(shù)量最小的模型，三種模型的深度和寬度依次加深，精度也依次提高；

22、所述模型輕量化通過對模型進行量化、模型壓縮方式實現(xiàn)模型輕量化；

23、所述模型部署用于將訓練好的模型應(yīng)用到實際應(yīng)用中，包括任務(wù)的封裝和集成、平臺適配和優(yōu)化，為用戶提供高效、準確的圖像識別和檢測服務(wù)。

24、優(yōu)選地，所述yolov9s網(wǎng)絡(luò)結(jié)構(gòu)由四部分組成，包括輸入端、骨干特征提取網(wǎng)絡(luò)backbone、瓶頸層neck以及檢測模塊輸出層head。

25、優(yōu)選地，所述骨干特征提取網(wǎng)絡(luò)backbone包括focus模塊、卷積模塊conv、c3模塊以及spp模塊；

26、所述focus模塊用于對圖片進行切片處理；

27、所述卷積模塊conv模塊集成了卷積、歸一化處理和激活函數(shù)三個操作，激活函數(shù)為relu函數(shù)；

28、所述c3模塊包含三個卷積和若干瓶頸模塊，所述瓶頸模塊通過分別使用1×1、3×3卷積進行特征提取，并使用殘差連接，加強網(wǎng)絡(luò)特征提取能力；

29、所述spp模塊又稱為空間金字塔池化，通過對特征圖經(jīng)過不同大小池化核的池化操作，然后concat，提高特征圖的感受視野。

30、優(yōu)選地，所述瓶頸層neck采用特征金字塔自底向上的連接結(jié)構(gòu)，所述檢測模塊輸出層head包括若干個檢測頭，分別預測不同尺寸類型的特征圖，對應(yīng)大目標、中等目標和小目標，大尺寸的特征圖用來預測小目標，小尺寸的特征圖用來預測大目標，特征圖的每一個網(wǎng)格都對應(yīng)3個不同寬高比例的anchor大小，同時在特征圖的通道維度通過anchor先驗框的目標位置和分類信息進行預測和回歸。

31、本發(fā)明與現(xiàn)有技術(shù)相比較，具有以下有益效果：

32、本發(fā)明通過融合物聯(lián)網(wǎng)與視覺智能檢測，實現(xiàn)對道路狀況的智能巡檢和評估，提高效率和準確性，同時利用機器自動巡檢可以避免人員進入危險區(qū)域，減少安全風險。

33、本發(fā)明利用多維度數(shù)據(jù)采集分析和多傳感器協(xié)同工作，通過數(shù)據(jù)處理和分析提供決策支持，全天候、全方位監(jiān)測道路狀況，快速提供全面的評估結(jié)果，以提高路政部門和工程企業(yè)的服務(wù)效率和利潤。

34、本發(fā)明設(shè)計的pgi解決了深度監(jiān)控只能用于極深度神經(jīng)網(wǎng)絡(luò)架構(gòu)的問題，從而使新的輕量級架構(gòu)能夠真正應(yīng)用于日常生活。具有較強的靈活性和可擴展性。項目除了巡檢車的測試，也完成了無人機測試，并將無人機進行了改裝，將攝像頭、gps等其他傳感器進行了系統(tǒng)集成，后期可以拓展到其他要求無人機測試的應(yīng)用領(lǐng)域。

35、本發(fā)明從可逆函數(shù)的角度對現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)進行了理論分析，并通過這個過程成功地解釋了許多過去難以解釋的現(xiàn)象。在此基礎(chǔ)上，我們還設(shè)計了pgi和輔助可逆分支，并取得了良好的效果。

36、本發(fā)明通過智能物聯(lián)網(wǎng)技術(shù)，將圖像數(shù)據(jù)實時傳輸至云端電腦進行處理和評估，快速生成評估報告和建議。提供簡單的圖形化操作界面，方便用戶配置巡檢任務(wù)和調(diào)整圖像處理算法參數(shù)。