【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及缺陷圖像處理，更具體地說，涉及基于改進(jìn)yolov10網(wǎng)絡(luò)的道路缺陷檢測方法。
技術(shù)介紹
1、在20世紀(jì)中期，一些機(jī)械設(shè)備開始應(yīng)用于道路檢測。例如，路面平整度測量儀和表面摩擦系數(shù)測量儀等設(shè)備被用于檢測道路表面的狀況。這些機(jī)械檢測方法比人工檢測更高效，但仍存在一定的局限性，如覆蓋范圍有限，檢測速度較慢等。進(jìn)入21世紀(jì)后，圖像處理和計(jì)算機(jī)視覺技術(shù)迅速發(fā)展，為道路缺陷檢測提供了新的手段。通過安裝在車輛或無人機(jī)上的高分辨率攝像頭，實(shí)時(shí)捕捉道路圖像和視頻，結(jié)合圖像處理算法，可以自動(dòng)檢測并分類道路缺陷，圖像預(yù)處理技術(shù)如灰度化、濾波、邊緣檢測和形態(tài)學(xué)處理等，被廣泛應(yīng)用于提高圖像質(zhì)量和突出道路缺陷特征。這些技術(shù)幫助解決了圖像中的噪聲和光照變化問題，使得后續(xù)的檢測算法能夠更準(zhǔn)確地識(shí)別缺陷。
2、近年來，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法在圖像分類和目標(biāo)檢測中的成功應(yīng)用，極大地推動(dòng)了道路缺陷檢測技術(shù)的發(fā)展。傳統(tǒng)的機(jī)器學(xué)習(xí)方法如支持向量機(jī)(svm)和隨機(jī)森林等，被用于從預(yù)處理后的圖像中提取特征并進(jìn)行分類。而深度學(xué)習(xí)方法如卷積神經(jīng)網(wǎng)絡(luò)(cnn)，則能夠在大量數(shù)據(jù)訓(xùn)練下自動(dòng)學(xué)習(xí)和提取特征，提高檢測精度。隨著計(jì)算能力的提升和大規(guī)模數(shù)據(jù)的產(chǎn)生，基于數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)算法在道路缺陷檢測中表現(xiàn)出優(yōu)異的性能，實(shí)時(shí)檢測和處理技術(shù)通過開發(fā)高效的算法和硬件加速技術(shù)，實(shí)現(xiàn)了實(shí)時(shí)的道路缺陷檢測。例如，基于深度學(xué)習(xí)的cnn可以在gpu等硬件加速設(shè)備上運(yùn)行，顯著提高檢測速度，滿足實(shí)時(shí)應(yīng)用的需求，深度學(xué)習(xí)技術(shù)，尤其是生成對(duì)抗網(wǎng)絡(luò)(gan)，在道路缺陷檢測中表現(xiàn)出了巨大的潛
3、在眾多的深度學(xué)習(xí)目標(biāo)檢測算法中，yolo系列網(wǎng)絡(luò)因其獨(dú)特的設(shè)計(jì)和優(yōu)異的性能在道路缺陷檢測中表現(xiàn)出眾，yolo的一個(gè)顯著優(yōu)點(diǎn)是其檢測速度非常快，與傳統(tǒng)的區(qū)域提取后再進(jìn)行分類的方法不同，yolo直接在整個(gè)圖像上進(jìn)行檢測和分類，避免了多次冗余的計(jì)算。yolo采用端到端的訓(xùn)練方式，即從輸入圖像到輸出檢測結(jié)果的整個(gè)過程由一個(gè)神經(jīng)網(wǎng)絡(luò)完成，由于yolo的模型結(jié)構(gòu)相對(duì)簡單，參數(shù)量較少，計(jì)算效率高，因此在實(shí)際部署中非常方便。但在道路缺陷檢測任務(wù)中，由于缺陷目標(biāo)小、道路背景復(fù)雜、光線復(fù)雜、類別不均衡等因素，直接使用基礎(chǔ)版本的yolo網(wǎng)絡(luò)會(huì)導(dǎo)致檢測精度低、漏檢誤檢率高、泛化能力欠佳等問題。
4、經(jīng)檢索，中國專利申請?zhí)枮?02410617362.9的申請案公開了一種結(jié)合yolov8和rtdetr的道路缺陷檢測方法，該方法采用yolov8特征提取網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)道路雷達(dá)圖像的多尺度特征提取，采用rtdetr缺陷檢測網(wǎng)絡(luò)對(duì)提取出的特征進(jìn)行缺陷區(qū)域的識(shí)別與分割，并在yolov8特征提取網(wǎng)絡(luò)的backbone網(wǎng)絡(luò)中，利用cagm模塊對(duì)conv層以及gfnet層獲取的特征信息進(jìn)行多次交互從而豐富梯度流信息，從而提升了準(zhǔn)確率和召回率。但是由于激光雷達(dá)設(shè)備昂貴，相對(duì)于純圖像檢測，成本較高，并且激光雷達(dá)生成的數(shù)據(jù)量大，處理數(shù)據(jù)困難，但可以避免天氣對(duì)檢測精度的影響和視角的限制。中國專利申請?zhí)枮?02410279380.0的申請案公開了一種基于無監(jiān)督全注意力識(shí)別的道路缺陷檢測技術(shù)，添加了全注意力網(wǎng)絡(luò)和引入了無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，正確直觀的體現(xiàn)道路裂紋缺陷部位，不需要人為的標(biāo)注數(shù)據(jù)，大大節(jié)省了人力和時(shí)間成本，但是如果數(shù)據(jù)集過大，需要很高要求的計(jì)算和存儲(chǔ)資源。
5、公開于該
技術(shù)介紹
部分的信息僅僅旨在增加對(duì)本專利技術(shù)的總體背景的理解，而不應(yīng)當(dāng)被視為承認(rèn)或以任何形式暗示該信息構(gòu)成已為本領(lǐng)域一般技術(shù)人員所公知的現(xiàn)有技術(shù)。
技術(shù)實(shí)現(xiàn)思路
1、1.專利技術(shù)要解決的技術(shù)問題
2、為克服道路缺陷檢測任務(wù)中檢測精度不高、漏檢誤檢率高、泛化能力欠佳的問題，本專利技術(shù)在現(xiàn)有的yolov10網(wǎng)絡(luò)基礎(chǔ)上加以改進(jìn)，并提供一種專用于道路缺陷檢測的方法，稱之為基于改進(jìn)yolov10網(wǎng)絡(luò)的道路缺陷檢測方法。本專利技術(shù)網(wǎng)絡(luò)是在原結(jié)構(gòu)的基礎(chǔ)上，在主干網(wǎng)絡(luò)的c2f模塊添加mca注意力機(jī)制，使用sdi結(jié)合雙向特征融合的思想代替原先的特征鏈接concat層，加入了slideloss損失函數(shù)，在提升性能的同時(shí)幾乎沒有額外的計(jì)算負(fù)擔(dān)，更有效地結(jié)合不同尺度的特征，改善樣品不平衡的問題，提高了圖像的檢測精度。
3、2.技術(shù)方案
4、為達(dá)到上述目的，本專利技術(shù)提供的技術(shù)方案為：
5、本專利技術(shù)的基于改進(jìn)yolov10網(wǎng)絡(luò)的道路缺陷檢測方法，包括以下步驟：
6、步驟1、收集高質(zhì)量道路缺陷圖像數(shù)據(jù)，對(duì)收集到的數(shù)據(jù)進(jìn)行缺陷標(biāo)記，并隨機(jī)抽取部分作為測試集，然后將剩余的圖像按照道路缺陷的數(shù)據(jù)類別劃分訓(xùn)練集和驗(yàn)證集；
7、步驟2、在yolov10網(wǎng)絡(luò)主干部分使用c2f-mca模塊替換c2f模塊，c2f-mca模塊是在原有的c2f模塊中的bottleneck層中添加mca自注意力機(jī)制得到，以實(shí)現(xiàn)多維度協(xié)同注意力；
8、步驟3、在yolov10網(wǎng)絡(luò)主干部分引入bdi模塊，以替換原網(wǎng)絡(luò)中的concat層，bdi模塊為多層次特征融合模塊，以增強(qiáng)圖像中的語義信息和細(xì)節(jié)信息；
9、步驟4、構(gòu)造slideloss損失函數(shù)，使用slideloss損失函數(shù)，來改善樣本不平衡的困難樣本關(guān)注度，提高邊界框回歸更加準(zhǔn)確；
10、步驟5、使用訓(xùn)練集和驗(yàn)證集對(duì)改進(jìn)后的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得優(yōu)化后的模型參數(shù)，以確保模型在道路缺陷檢測中的有效性和實(shí)用性；
11、步驟6、使用訓(xùn)練好的模型對(duì)測試集進(jìn)行預(yù)測，輸出檢測后的道路圖像。
12、作為本專利技術(shù)更進(jìn)一步的改進(jìn)，所述步驟2中，c2f-mca模塊中首先包括第一個(gè)卷積層cv1，以接收數(shù)據(jù)；隨后將cv1的輸出按照通道維度分成相等的兩部分，其中一個(gè)部分直接傳遞給concat層，另一個(gè)部分傳給split，split的輸出也按照通道維度分成相等的兩部分，一部分直接傳遞給concat層，另一部分經(jīng)過2個(gè)bottleneck模塊的處理；c2f-mca在網(wǎng)絡(luò)中每重復(fù)3次，使用1個(gè)bottleneck模塊，共重復(fù)6次使用c2f-mca模塊；bottleneck模塊接收數(shù)據(jù)后，按照通道維度分成相等的兩部分，一部分直接傳遞給concat層，另一部分經(jīng)過兩個(gè)卷積層的卷積后，將數(shù)據(jù)傳給mca模塊進(jìn)行計(jì)算，后傳遞給concat層；接下來，concat層將接收到的結(jié)果進(jìn)行通道維度上的拼接；最后再經(jīng)過第二個(gè)卷積層cv2得到輸出。此部分改進(jìn)可使拼接后的特征來自不同分支的信息，以豐富并提高特征的表達(dá)能力。
13、作為本專利技術(shù)更進(jìn)一步的改進(jìn)，所述步驟2中，mca模塊包括：首先對(duì)輸入數(shù)據(jù)進(jìn)行殘差提??；然后對(duì)殘差提取數(shù)據(jù)進(jìn)行三分支處理本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟2中，C2f-MCA模塊中首先包括第一個(gè)卷積層cv1，以接收數(shù)據(jù)；隨后將cv1的輸出按照通道維度分成相等的兩部分，其中一個(gè)部分直接傳遞給Concat層，另一個(gè)部分傳給Split，Spl?it的輸出也按照通道維度分成相等的兩部分，一部分直接傳遞給Concat層，另一部分經(jīng)過2個(gè)Bottleneck模塊的處理；C2f-MCA在網(wǎng)絡(luò)中每重復(fù)3次，使用1個(gè)Bottleneck模塊，共重復(fù)6次使用C2f-MCA模塊；Bottleneck模塊接收數(shù)據(jù)后，按照通道維度分成相等的兩部分，一部分直接傳遞給Concat層，另一部分經(jīng)過兩個(gè)卷積層的卷積后，將數(shù)據(jù)傳給MCA模塊進(jìn)行計(jì)算，后傳遞給Concat層；接下來，Concat層將接收到的結(jié)果進(jìn)行通道維度上的拼接；最后再經(jīng)過第二個(gè)卷積層cv2得到輸出。
3.根據(jù)權(quán)利要求2所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟2中，MCA模塊包括：首先對(duì)
4.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟3中，BDI模塊是使用多層次特征融合模塊SDI替代原模型的Concat層，并在其中加入了雙向特征融合；具體為：首先，接收一個(gè)包含各層通道的列表channels，根據(jù)channels的元素個(gè)數(shù)確定卷積層個(gè)數(shù)，并初始化融合權(quán)重、swish激活函數(shù)和卷積層convs；然后，接收一個(gè)特征圖列表xs，計(jì)算權(quán)重，并進(jìn)行前向特征融合和后向特征融合，將前向特征融合得到的特征圖序列進(jìn)行逐元素相乘及后向特征融合處理后的特征圖系列進(jìn)行逐元素相乘；最后，將兩個(gè)相乘后的特征圖進(jìn)行加權(quán)累計(jì)，得到最終的特征圖。
5.根據(jù)權(quán)利要求4所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟3中，前向特征融合的過程包括：前向特征融合是從低層到高層的過程，即從第二個(gè)特征圖開始逐層處理，首先將每個(gè)特征圖調(diào)整為目標(biāo)尺寸；如果當(dāng)前特征圖的尺寸大于目標(biāo)尺寸，使用自適應(yīng)平均池化層將其下采樣到目標(biāo)尺寸；如果當(dāng)前特征圖的尺寸小于目標(biāo)尺寸，使用雙線性插值方法將其上采樣到目標(biāo)尺寸；然后將每個(gè)特征圖與對(duì)應(yīng)的權(quán)重相乘，最后將乘積結(jié)果輸入到對(duì)應(yīng)的卷積層中，得到最終的高層特征圖。
6.根據(jù)權(quán)利要求4所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟3中，后向特征融合的過程包括：后向特征融合是從高層到低層的過程，即從倒數(shù)第二個(gè)特征圖開始，逐層處理；首先對(duì)特征圖大小進(jìn)行調(diào)整，并與對(duì)應(yīng)的權(quán)重相乘；然后通過卷積層進(jìn)行轉(zhuǎn)換，可在整個(gè)特征圖金字塔中進(jìn)一步融合高層信息；最后對(duì)所有經(jīng)過卷積操作的特征圖進(jìn)行逐元素相乘的累計(jì)操作，得到最終的低層特征圖。
7.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟4中，SlideLoss損失函數(shù)計(jì)算包括：首先使用BCEWithLogitsLoss計(jì)算二元交叉熵?fù)p失，然后將計(jì)算的損失結(jié)果傳給SlideLoss損失函數(shù)中，Slideloss損失函數(shù)通過加權(quán)機(jī)制，調(diào)整每個(gè)樣本的損失值，最后輸出聚合后的損失值。
8.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟5中，網(wǎng)絡(luò)訓(xùn)練時(shí)采用Adam算法來迭代更新網(wǎng)絡(luò)模型參數(shù)，訓(xùn)練周期為300個(gè)epoch。
9.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOv10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟6中，測試數(shù)據(jù)輸出的圖像中包括數(shù)據(jù)的類別、邊界框和預(yù)測的精確度。
...【技術(shù)特征摘要】
1.基于改進(jìn)yolov10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟2中，c2f-mca模塊中首先包括第一個(gè)卷積層cv1，以接收數(shù)據(jù)；隨后將cv1的輸出按照通道維度分成相等的兩部分，其中一個(gè)部分直接傳遞給concat層，另一個(gè)部分傳給split，spl?it的輸出也按照通道維度分成相等的兩部分，一部分直接傳遞給concat層，另一部分經(jīng)過2個(gè)bottleneck模塊的處理；c2f-mca在網(wǎng)絡(luò)中每重復(fù)3次，使用1個(gè)bottleneck模塊，共重復(fù)6次使用c2f-mca模塊；bottleneck模塊接收數(shù)據(jù)后，按照通道維度分成相等的兩部分，一部分直接傳遞給concat層，另一部分經(jīng)過兩個(gè)卷積層的卷積后，將數(shù)據(jù)傳給mca模塊進(jìn)行計(jì)算，后傳遞給concat層；接下來，concat層將接收到的結(jié)果進(jìn)行通道維度上的拼接；最后再經(jīng)過第二個(gè)卷積層cv2得到輸出。
3.根據(jù)權(quán)利要求2所述的基于改進(jìn)yolov10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟2中，mca模塊包括：首先對(duì)輸入數(shù)據(jù)進(jìn)行殘差提??；然后對(duì)殘差提取數(shù)據(jù)進(jìn)行三分支處理，三分支分別對(duì)高度、寬度和通道數(shù)三個(gè)維度的注意力進(jìn)行建模，建模過程先后包括維度變換操作、擠壓變換、平均池化和標(biāo)準(zhǔn)差池化、卷積、激勵(lì)變換、卷積、維度變換、權(quán)重相乘操作；接下來，對(duì)不同分支數(shù)據(jù)進(jìn)行維度變換，使得維度統(tǒng)一；最后，對(duì)分支輸出的數(shù)據(jù)進(jìn)行加權(quán)求和并獲得最終mca模塊的輸出。
4.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov10網(wǎng)絡(luò)的道路缺陷檢測方法，其特征在于，所述步驟3中，bdi模塊是使用多層次特征融合模塊sdi替代原模型的concat層，并在其中加入了雙向特征融合；具體為：首先，接收一個(gè)包含各層通道的列表channels，根據(jù)channels的元素個(gè)數(shù)確定卷積層個(gè)數(shù)，并初始化融合權(quán)重、swish激活函數(shù)和卷積層convs；然后，接收一個(gè)特征圖列表xs，計(jì)算權(quán)重，并進(jìn)行前向特...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉進(jìn)，詹郭睿，金潼，吳凡，
申請(專利權(quán))人：安徽工程大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。