本发明专利技术公开了一种结合YOLOv8和RTDETR的道路缺陷检测方法,采用YOLOv8特征提取网络实现对道路雷达图像的多尺度特征提取,采用RTDETR缺陷检测网络对提取出的特征进行缺陷区域的识别与分割,并在YOLOv8特征提取网络的Backbone网络中,利用CAGM模块对Conv层以及GFNet层获取的特征信息进行多次交互从而丰富梯度流信息。本发明专利技术基于以上技术内容的改进,从而大大提升了道路缺陷检测的准确率和召回率。
【技术实现步骤摘要】
本专利技术涉及道路缺陷识别,具体是一种结合和rtdetr的道路缺陷检测方法。
技术介绍
1、探地雷达是近几十年来高能增强地质物理探测技术的一种重要探测方法。探地雷达利用单极或线性阵列发射雷达脉冲,在地中传播和反射,经天线接收返回信号并记录成扫描图像或者扫描图像,扫描图像中包含地下物体与地表地层之间的反差信息。探地雷达具有无损检测、实时成像等优点,应用于地面下障碍物和空洞检测、建筑物结构内部检查以及地质勘察等领域。
2、然而,探地雷达图像质量不一,常有信号噪声和边界不清等问题影响缺陷识别。主要原因有:地层环境复杂易产生多路径效应、信号衰减等,影响信号质量;探测设备性能差异造成扫描分辨率和深度限制;地下物体大小、材质及埋深也会影响信号的返回强弱及波形变化;环境温度和湿度变化也可能引起电阻系数差异,对信号产生影响;成像过程中数字化量化误差等也会在一定程度上降低图像质量。
3、传统缺陷识别方法主要是利用阈值分割、边缘检测等基于灰度或者幅值的低级特征,对复杂图像识别效果不佳。深度学习方法能考虑图像上下文信息,从全局角度提升识别率。但目前在探地雷达图像识别上应用较少,离工程实践应用还有一定距离。
技术实现思路
1、本专利技术要解决的技术问题是提供一种结合和的道路缺陷检测方法,采用特征提取网络实现对道路雷达图像的多尺度特征提取,采用缺陷检测网络对提取出的特征进行缺陷区域的识别与分割,大大提升道路缺陷检测的准确率和召回率。
2、本专利技术的技术方案为:
<
p>3、结合和的道路缺陷检测方法,具体包括有以下步骤:4、(1)、获取企业原始道路地面探测数据集并对其进行缺陷可视化处理及缺陷标注,构建得到数据集;
5、(2)、将数据集中的数据输入到特征提取网络的网络中,网络通过层、模块、模块和模块对数据进行初步特征提取;
6、(3)、将网络提取得到的特征输入到特征提取网络的网络中,网络通过使用层、模块、层、层对网络中的其中三层的输出进行特征融合;
7、(4)、利用缺陷检测网络的模块将网络输出的特征进行特征融合并输出特征;
8、(5)、利用缺陷检测网络的模块对特征进行预测得到检测框并对其做筛选处理;
9、(6)、将模块输出的高质量检测框和产生高质量检测框的特征输入到缺陷检测网络的模块中,模块对高质量检测框做迭代优化,最终得到完全框住缺陷的检测框。
10、所述的获取企业原始道路地面探测数据集并进行缺陷可视化处理及缺陷标注的具体步骤为:
11、s11、首先获取企业原始道路地面探测数据集,企业原始道路地面探测数据集中包含道路地面雷达图像的雷达波数据;
12、s12、雷达波数据为复数形式,提取雷达波数据中的实部,从而将复数形式的雷达波数据转换为实数数据;
13、s13、通过调节零点对转换为实数数据的雷达波数据进行处理,以校正时间轴,从而提高时间分辨率,使得时间轴上的时间间隔更加均匀;
14、s14、时间轴校正完成后,通过矫正零偏消除由于探地雷达探头与地面之间距离不一致引起的误差,提高雷达波数据的准确性;
15、s15、矫正零偏完成后,对雷达波数据进行滤波处理,来抑制和防止干扰、提高信噪比;
16、s16、滤波处理完成后,通过背景消除减少或消除雷达波数据中与缺陷目标无关的背景信息,从而更清晰地突出缺陷目标;
17、s17、背景消除完成后,使用标注工具将道路的缺陷在雷达图像中标注出来,从而构建得到数据集。
18、所述的数据进行初步特征提取的具体步骤为:
19、s21、雷达图像输入到网络之后,首先使用两个层依次对其进行下采样处理,得到,然后将输入到模块中;
20、s23、模块的输入为,模块的输出为,为输入在通道维度进行拆分,模块的处理过程见下式(1):
21、 (1);
22、式(1)中,是指将与重复次的在通道维度上做操作,为瓶颈层,为卷积层;
23、s24、顺次重复使用一个层和一个模块的组合结构共两次,前一个模块的输出通过使用两次来作为两个分支的输入,并记为和,接着顺次使用一个层和一个模块进行处理;其中,模块的输入记为,模块的输出记为和,模块的处理过程见下式(2):
24、 (2);
25、式(2)中,为按元素加,为卷积层,为全局滤波器,、分别记为模块的输出和;
26、s25、采用模块实现自适应尺寸的输出,输出相同大小尺寸的输出图像,模块的输入为、输出为。
27、所述的网络进行特征融合的文件具体如下:
28、- [-1, 1, upsample, [none, 2, 'nearest']],
29、- [[-1, 2], 1, concat, [1]],
30、- [-1, 3, c2f, [512]] # 10;
31、- [-1, 1, upsample, [none, 2, 'nearest']],
32、- [[-1, 1], 1, concat, [1]],
33、- [-1, 3, c2f, [256]] # 11;
34、- [-1, 1, conv, [256, 3, 2]],
35、- [[-1, 12], 1, concat, [1]],
36、- [-1, 3, c2f, [512]] # 12;
37、- [-1, 1, conv, [512, 3, 2]],
38、- [[-1, 3], 1, concat, [1]],
39、- [-1, 3, c2f, [1024]] # 13;
40、文件中的每行数据分别包含四个参数,分别代表该层模块或该层的输入、该层模块或该层的内结构或者重复的次数、该层模块或该层的名称、该层模块或该层的参数;该层模块或该层的输入中,代表上一层的输出,第一行的即为网络的最后输出,1、2、3分别代表网络中输出的、和,、和的输出即为网络的输出,分别记为、和。
41、所述的模块的输入为网络的输出、、,模块的输出为特征,模块的处理过程具体见下式(3):
42、 (3);
43、式(3)中,为特征尺寸不变、通道改变的卷积操作;为特征尺寸和通道数同时改变的卷积操作;由2个卷积和个模块构成的特征融合模块,由需要融合的两个特征的尺寸决定,特征尺寸比为;为通道维度上的拼接操作。
44、所述的模块进行迭代优化的过程为:将特征作为模块阶段的输入、将模块输出的检测框作为模块阶段的输入,阶段输入的特征用于更新检测框,阶段每迭代循环一次更新一次检测框,直到检测框框住图像中的所有缺陷,完成迭代更新,输出框住所有缺陷的雷达图像。
45、本专利技术的优点:
46、由于网络不能很好的检本文档来自技高网
...
【技术保护点】
1.结合和的道路缺陷检测方法,其特征在于:具体包括有以下步骤:
2.根据权利要求1所述的结合和的道路缺陷检测方法,其特征在于:所述的获取企业原始道路地面探测数据集并进行缺陷可视化处理及缺陷标注的具体步骤为:
3.根据权利要求1所述的结合和的道路缺陷检测方法,其特征在于:所述的数据进行初步特征提取的具体步骤为:
4.根据权利要求3所述的结合和的道路缺陷检测方法,其特征在于:所述的网络进行特征融合的文件具体如下:
5.根据权利要求4所述的结合和的道路缺陷检测方法,其特征在于:所述的模块的输入为网络的输出、、,模块的输出为特征,模块的处理过程具体见下式(3):
6.根据权利要求5所述的结合和的道路缺陷检测方法,其特征在于:所述的模块进行迭代优化的过程为:将特征作模块阶段的输入、将模块输出的检测框作为模块阶段的输入,阶段输入的特征用于更新检测框,阶段每迭代循环一次更新一次检测框,直到检测框框住图像中的所有缺陷,完成迭代更新,输出框住所有缺陷的雷达图像。
【技术特征摘要】
1.结合和的道路缺陷检测方法,其特征在于:具体包括有以下步骤:
2.根据权利要求1所述的结合和的道路缺陷检测方法,其特征在于:所述的获取企业原始道路地面探测数据集并进行缺陷可视化处理及缺陷标注的具体步骤为:
3.根据权利要求1所述的结合和的道路缺陷检测方法,其特征在于:所述的数据进行初步特征提取的具体步骤为:
4.根据权利要求3所述的结合和的道路缺陷检测方法,其特征在于:所述的网络进行特征融合的文件具体如下:
<...
【专利技术属性】
技术研发人员:张鑫明,周思宇,徐佳,王华彬,李学俊,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。