System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及道路检测领域,特别是涉及一种道路缺陷图像检测方法、设备、介质及产品。
技术介绍
1、一开始的道路缺陷检测是通过对图像进行传统的图像处理,然后进行人工手动检测,这些做法不仅消耗了大量的人力物力,而且其准确度和速度都很低,并且这些方法还要去避免路面上行驶的车辆,非常复杂。目前道路的路况不断变化(如存在井盖、遮挡物、阴影等因素的影响),传统的做法已经解决不了道路缺陷的检测和修复。随着人工智能快速的发展,使得公路缺陷检测技术通往了信息化时代,通过利用计算机视觉方向的技术对道路缺陷不但可以达到无触碰测量,且大大提高了检测性能和速度。
2、近年来,越来越多的国内外研究者通过用深度学习的方法致力于解决道路缺陷检测及修复这一问题。这些方法大多是基于单阶段检测算法和双阶段检测算法进行的。allenzhang基于cnn提出了一种道路缺陷检测模型cracknet来针对三维数据中包含的深度信息,该方法使用全新开发的使所有图像的宽度和高度不会发生变化的技术,保证了像素级的精确度,该模型的性能优于传统方法,但是cracknet模型存在数据集限制、计算复杂度高、数据预处理需求、缺陷种类限制和可解释性差等不足之处。后来,在此基础上,allenzhang、kelvin c.p.wang和yue fei等人提出了改进的的模型cracknet-ii、cracknet-r,cracknet-v,这些模型相比于基线模型都有了很大速度和精度的提升,但仍需要在可解释性、数据需求、泛化能力和资源消耗等方面进行改进,以更好地适应实际的道路缺陷检测需求。
技术实现思路
1、本专利技术的目的是提供一种道路缺陷图像检测方法、设备、介质及产品,以解决道路缺陷检测的准确率和效率低的问题。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种道路缺陷图像检测方法,包括:
4、将道路缺陷图像数据集训练改进后的yolo v7模型,构建改进后的yolo v7模型;所述改进后的yolo v7模型包括主干网络、fpn网络、yolo head网络以及自监督预测卷积注意块;所述改进后的yolo v7模型的改进方式包括将原始yolo v7模型内主干网络中的第一个卷积模块的激活函数替换为scelu激活函数,所述scelu激活函数为非线性变换激活函数,将原始yolo v7模型内fpn网络中的sppcspc模块替换为spprfb模块,所述spprfb模块通过金字塔池化和特征图分割对输入的道路缺陷图像进行处理,以在处理不同尺寸的道路缺陷图像时,生成一致的特征表示;所述主干网络用于提取输入的道路缺陷图像的特征,并选取三个不同的尺寸作为特征输入;所述fpn网络用于将三个所述特征输入进行特征融合,生成融合特征;所述yolo head网络用于根据所述融合特征,对anchor进行分类和回归,输出预测框;所述预测框用于标注道路缺陷位置以及道路缺陷类型;在通过所述主干网络提取特征后,所述fpn网络融合特征前,通过所述自监督预测卷积注意块利用当前像素设定距离范围内的像素值预测当前像素的像素值;
5、将待检测的道路缺陷图像输入至所述改进后的yolo v7模型,输出道路缺陷类型。
6、可选的,所述自监督预测卷积注意块,具体包括:带有掩码滤波与通道注意力模块的卷积块。
7、可选的,所述spprfb模块包括spp模块以及rfb模块;
8、所述spp模块用于采用金字塔池化方法在不同尺度上提取道路缺陷图像的特征;
9、所述rfb模块为跨阶段部分连接方法,用于在每个阶段之间共享信息。
10、可选的,所述主干网络包括依次连接的四个部分;
11、第一部分包括依次连接的cbsc模块、三个cbs模块以及elan模块;其中,elan模块包括多个cbs模块;
12、第二部分、第三部分以及第四部分结构相同;所述第二部分包括依次连接的mp模块以及elan模块。
13、可选的,所述cbsc模块,具体包括:卷积层、批归一化层以及scelu激活函数;
14、所述scelu激活函数f(x)为:
15、可选的,所述mp模块包括两个分支;
16、左侧分支包括最大池化层以及卷积层;
17、右侧分支包括两个卷积层;两个分支在输出时进行堆叠。
18、可选的,所述elan模块,具体包括:三个通路;
19、第一条通路以及第二条通路均包括1个cbs模块;
20、第三条通路包括3个cbs模块;
21、三个通路的特征层堆叠后由一个cbs模块进行特征整合。
22、一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述道路缺陷图像检测方法的步骤。
23、一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述道路缺陷图像检测方法的步骤。
24、一种计算机程序产品,包括计算机程序,该计算机程序/指令被处理器执行时实现上述道路缺陷图像检测方法的步骤。
25、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:本专利技术以准确率、速度、泛化能力和鲁棒性这些方面都很优秀的yolo v7模型作为基线模型,对yolo v7模型进行改进,改进后的yolo v7模型包括主干网络、fpn网络、yolo head网络以及自监督预测卷积注意块;所述改进后的yolo v7模型的改进方式包括将原始yolo v7模型内主干网络中的第一个卷积模块的激活函数替换为scelu激活函数,将原始yolo v7模型内fpn网络中的sppcspc模块替换为spprfb模块,所述spprfb模块通过金字塔池化和特征图分割对输入的道路缺陷图像进行处理,以在处理不同尺寸的道路缺陷图像时,生成一致的特征表示;所述主干网络用于提取输入的道路缺陷图像的特征,并选取三个不同的尺寸作为特征输入;所述fpn网络用于将三个所述特征输入进行特征融合,生成融合特征;所述yolo head网络用于根据所述融合特征,对anchor进行分类和回归,输出预本文档来自技高网...
【技术保护点】
1.一种道路缺陷图像检测方法,其特征在于,包括:
2.根据权利要求1所述的道路缺陷图像检测方法,其特征在于,所述自监督预测卷积注意块,具体包括:带有掩码滤波与通道注意力模块的卷积块。
3.根据权利要求1所述的道路缺陷图像检测方法,其特征在于,所述SPPRFB模块包括SPP模块以及RFB模块;
4.根据权利要求1所述的道路缺陷图像检测方法,其特征在于,所述主干网络包括依次连接的四个部分;
5.根据权利要求4所述的道路缺陷图像检测方法,其特征在于,所述CBSC模块,具体包括:卷积层、批归一化层以及SCELU激活函数;
6.根据权利要求4所述的道路缺陷图像检测方法,其特征在于,所述MP模块包括两个分支;
7.根据权利要求4所述的道路缺陷图像检测方法,其特征在于,所述ELAN模块,具体包括:三个通路;
8.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述道路缺陷图像检测方法的步骤。
9
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述道路缺陷图像检测方法的步骤。
...【技术特征摘要】
1.一种道路缺陷图像检测方法,其特征在于,包括:
2.根据权利要求1所述的道路缺陷图像检测方法,其特征在于,所述自监督预测卷积注意块,具体包括:带有掩码滤波与通道注意力模块的卷积块。
3.根据权利要求1所述的道路缺陷图像检测方法,其特征在于,所述spprfb模块包括spp模块以及rfb模块;
4.根据权利要求1所述的道路缺陷图像检测方法,其特征在于,所述主干网络包括依次连接的四个部分;
5.根据权利要求4所述的道路缺陷图像检测方法,其特征在于,所述cbsc模块,具体包括:卷积层、批归一化层以及scelu激活函数;
6.根据权利要求4所述的道路缺陷图像检测方法,其特征在于,所述mp模...
【专利技术属性】
技术研发人员:刘永浩,周保良,段明磊,丁广恩,朱元静,胡朋,马硕,胡海峰,赵宏志,丁洪伟,
申请(专利权)人:优备科技股份有限公司,
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。