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

背景技術(shù)：

1、道路維護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，并可能導致交通事故。及時準確地檢測和修復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重。因此，道路病害檢測已成為道路維護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)圖像處理及機器學習的算法。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。基于傳統(tǒng)圖像處理和機器學習算法，例如支持向量機，依賴于手工設計的特征和規(guī)則，這種人為因素直接影響檢測性能，難以應對復雜多變的路面環(huán)境，檢測精度和魯棒性有限。隨著深度學習技術(shù)的迅猛發(fā)展，基于卷積神經(jīng)網(wǎng)絡(cnn)的目標檢測方法比如單階段方法直接在圖像上進行目標分類和邊界框回歸。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，廣泛應用于各種目標檢測任務。其中，yolov5模型在保持檢測速度的同時，進一步提升了檢測精度，是當前目標檢測領(lǐng)域的前沿方法之一。

3、然而，由于病害的復雜性，當采用單階段目標檢測方法進行路面病害檢測時，存在多個挑戰(zhàn)：(1)單階段方法在檢測小目標時表現(xiàn)較差，因為這些方法在高層特征圖上進行預測，而高層特征圖的分辨率較低，容易導致小目標信息的丟失。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行目標分類和邊界框回歸，難以對復雜場景中的細節(jié)進行充分處理。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)在復雜環(huán)境下的可靠性，包括：獲取道路圖像并進行預處理，將預處理后的道路圖像輸入訓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)絡層和第16網(wǎng)絡層之間插入一個mase模塊；在第9網(wǎng)絡層和第10網(wǎng)絡層之間插入一個mase模塊；在第14網(wǎng)絡層和第19網(wǎng)絡層之間插入一個mase模塊；將第6網(wǎng)絡層的輸出特征跨接到第19網(wǎng)絡層的輸入端；將第8層網(wǎng)絡層的輸出特征跨接到第22網(wǎng)絡層的輸入端；得到道路病害檢測模型。

2、優(yōu)選地，所述將第6網(wǎng)絡層的輸出特征跨接到第19網(wǎng)絡層的輸入端包括：將第6網(wǎng)絡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)絡層的其余特征在第19網(wǎng)絡層在通道維度上進行拼接。

3、優(yōu)選地，所述將第8層網(wǎng)絡層的輸出特征跨接到第22網(wǎng)絡層的輸入端包括：將第8網(wǎng)絡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)絡層的其余特征在第22網(wǎng)絡層在通道維度上進行拼接。

4、優(yōu)選地，所述mase模塊包括：通道注意力機制模塊和空間注意力機制模塊；所述通道注意力機制模塊對輸入特征圖進行注意力處理得到通道注意力權(quán)重矩陣；所述空間注意力機制模塊對輸入特征圖進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，所述通道注意力機制模塊首先對mase模塊的輸入特征進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)進行訓練，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)域的預測框；c表示包含真實框a和預測框b的最小閉包矩形的對角線長度；v用來度量真實框a和預測框b長寬比的相似性；ac表示真實框a和預測框b的最小閉包矩形最小閉包矩形的面積；ρ2表示真實框a和預測框b中心之間的距離；wb表示預測框b的寬度；hb表示預測框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程序，以使所述一種基于改進yolov5的道路病害檢測裝置執(zhí)行所述的一種基于改進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)明通過集成改進的混合注意力擠壓激勵(mixed?attention?squeeze-and-excitation,mase)模塊，提升了在復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(cross-layer?enhancement?network,clen)來改進特征融合框架，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：獲取道路圖像并進行預處理，將預處理后的道路圖像輸入訓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)絡層和第16網(wǎng)絡層之間插入一個mase模塊；在第9網(wǎng)絡層和第10網(wǎng)絡層之間插入一個mase模塊；在第14網(wǎng)絡層和第19網(wǎng)絡層之間插入一個mase模塊；將第6網(wǎng)絡層的輸出特征跨接到第19網(wǎng)絡層的輸入端；將第8層網(wǎng)絡層的輸出特征跨接到第22網(wǎng)絡層的輸入端；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yolov5的道路病害檢測方法，其特征在于，所述將第6網(wǎng)絡層的輸出特征跨接到第19網(wǎng)絡層的輸入端包括：將第6網(wǎng)絡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)絡層的其余特征在第19網(wǎng)絡層在通道維度上進行拼接。

3.根據(jù)權(quán)利要求1所述的一種基于改進yolov5的道路病害檢測方法，其特征在于，所述將第8層網(wǎng)絡層的輸出特征跨接到第22網(wǎng)絡層的輸入端包括：將第8網(wǎng)絡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)絡層的其余特征在第22網(wǎng)絡層在通道維度上進行拼接。

4.根據(jù)權(quán)利要求1所述的一種基于改進yolov5的道路病害檢測方法，其特征在于，所述mase模塊包括：通道注意力機制模塊和空間注意力機制模塊；所述通道注意力機制模塊對輸入特征圖進行注意力處理得到通道注意力權(quán)重矩陣；所述空間注意力機制模塊對輸入特征圖進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yolov5的道路病害檢測方法，其特征在于，所述通道注意力機制模塊首先對mase模塊的輸入特征進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yolov5的道路病害檢測方法，其特征在于，所述空間注意力機制模塊首先對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)進行訓練，hiou損失函數(shù)表示為：

8.一種基于改進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程序，以使所述一種基于改進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yolov5的道路病害檢測方法。

9.一種計算機可讀存儲介質(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YOLOv5的道路病害檢測方法和裝置，包括：獲取道路圖像并進行預處理，將預處理后的道路圖像輸入訓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)絡層和第16網(wǎng)絡層之間插入一個MASE模塊；在第9網(wǎng)絡層和第10網(wǎng)絡層之間插入一個MASE模塊；在第14網(wǎng)絡層和第19網(wǎng)絡層之間插入一個MASE模塊；將第6網(wǎng)絡層的輸出特征跨接到第19網(wǎng)絡層的輸入端；將第8層網(wǎng)絡層的輸出特征跨接到第22網(wǎng)絡層的輸入端；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
受保護的技術(shù)使用者：重慶郵電大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19