【技术实现步骤摘要】
本专利技术涉及道路损伤检测，尤其涉及一种基于edg-yolo的道路损伤检测方法。
技术介绍
1、公路是最重要的民用设施之一，在自然环境和行车荷载等因素的影响下，铺砌路面会出现不同程度的损伤，常见的道路路面损伤主要有裂缝、龟裂、坑洼等类型，道路出现损伤若不及时修补，会减少道路的服务寿命，对过往车辆也会造成损害。因此，及时发现并修补道路损伤意义重大。
2、道路损伤的检测与识别是实现道路养护自动化和智能化的重要技术手段，可以为公路养护决策制定及养护工程实施提供准确全面的信息支撑，对实现道路损伤的及时高效修复具有非常重要的意义。自动道路检查使用先进的技术和方法来检测和监控道路损坏；通过快速准确地检测潜在危险，自动道路检查可增强道路安全并减少与手动检查相关的成本和时间；随着人工智能算法的快速发展，基于深度学习模型的道路损伤检测成为研究的焦点；yolov8是yolo目标检测算法家族的重大更新，能对图像中的目标进行快速有效的定位和识别，其包括五个不同版本：yolov8n，yolov8s，yolov8m，yolov8l和yolov8x，其中yolov8n不仅支持目标检测任务，还支持图像分类和实例分割任务；其中，yolov8n由4个部分构成，包括输入端(input)、主干网(backbone)、neck模块和head输出端，不仅支持目标检测任务，还支持图像分类和实例分割任务；yolov8通过输入模块加载图像，此阶段通常采用多种方法对输入进来的图像进行数据增强，数据增强的方式主要有hsv(hue saturationvalue)变换、m
3、当前，在利用深度学习模型进行道路损伤检测的过程中，由于实际道路环境中存在行人、车辆、光照不均、树枝遮挡等复杂场景干扰，检测算法容易出现误检、漏检的情况，道路病害形状、大小差异较大，算法难以有效提取病害特征；同时，在提升模型检测精度时无法兼顾其计算成本，检测模型体积较大，难以在嵌入式等边缘设备上进行部署。
4、因此，有必要提供一种基于edg-yolo的道路损伤检测方法。
技术实现思路
1、本专利技术提供了一种基于edg-yolo的道路损伤检测方法，通过构建elestem前端模块，可学习到更加丰富的图像特征表示，提升模型检测的性能；引入动态上采样dysample，可更好地还原道路损伤的特征，提高模型对细节的感知能力；替换gncsdh检测头，可有效地减少参数数量，同时使探测头具有更强的多尺度感知能力，以部署在资源受限的设备上。
2、本专利技术提供了一种基于edg-yolo的道路损伤检测方法，包括：
3、获取道路损伤图像数据集，并进行预处理，获得预处理道路损伤图像数据集；
4、基于yolov8网络模型，融合eiestem、dysample和gnscdh构建edg-yolo检测模型，并对edg-yolo检测模型进行训练，获得训练好的edg-yolo检测模型；
5、利用训练好的edg-yolo检测模型，对预处理道路损伤图像数据集进行道路损伤检测，获得多个道路损伤类型。
6、进一步地，获取道路损伤图像数据集，并进行预处理，获得预处理道路损伤图像数据集，包括：
7、基于公开的rdd2022数据集中rdd_china的部分，获取道路损伤图像数据集，并按照8：1：1的划分比例，将道路损伤图像数据集划分为训练子数据集、验证子数据集和测试子数据集；
8、对训练子数据集、验证子数据集和测试子数据集进行标准化或归一化操作，获得预处理道路损伤图像数据集。
9、进一步地，基于yolov8网络模型，融合eiestem、dysample和gnscdh构建edg-yolo检测模型，包括：
10、获取原始yolov8网络模型，将yolov8网络模型的第一层替换为eiestem模块，在yolov8网络模型的颈部网络中引入动态上采样dysample，替换yolov8网络模型的检测头为gnscdh，完成edg-yolo检测模型的构建。
11、进一步地，对edg-yolo检测模型进行训练，包括：
12、配置训练超参数，设置批量为8、迭代次数为300轮；训练edg-yolo检测模型，使用训练子数据集，在每个训练迭代中，计算损失并更新edg-yolo检测模型权重，在每个训练周期结束后，使用验证子数据集来评估edg-yolo检测模型的性能，监控验证子数据集上的损失和准确率，以便及时停止训练，以防止过拟合；同时，在edg-yolo检测模型训练时开启mosaic进行数据增强，并在训练的最后10轮关闭mosaic，以提高edg-yolo检测模型的泛化能力。
13、进一步地，对edg-yolo检测模型进行训练，还包括：
14、使用测试子数据集来评估edg-yolo检测模型的性能，计算edg-yolo检测模型在测试子数据集上的平均精度均值和f1分数，根据平均精度均值和f1分数，绘制可视化评估结果混淆矩阵，以确定其在真实情况中的表现。
15、进一步地，将yolov8网络模型的输入端替换为eiestem模块，包括：
16、将yolov8网络模型的输入端更换为sobel卷积分支和最大池化分支，利用sobel卷积分支提取边缘信息，并通过最大池化分支提取空间信息。
17、进一步地，在yolov8网络模型的颈部网络中引入动态上采样dysample，包括：
18、给定输入特征图x，大小为c×h×w；
19、使用线性层将输入特征图x映射为偏移量矩阵o，线性层的输出通道数为2s2，其中s为上采样因子，偏移量矩阵o的大小为2s2×h×w；
20、对偏移量矩阵o进行像素重组，将其重塑为2×sh×sw的形状，以适应后续的采样操作；
21、将重塑后的偏移量矩阵o与原始的采样网格g相加，得到采样集合s；
22、利用深度学习pytorch中的grid sample函数，基于采样集合s对输入特征图x进行网格采样；
23、在网格采样过程中，利用双线性插值，在特定位置采样本文档来自技高网...
【技术保护点】
1.一种基于EDG-YOLO的道路损伤检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，获取道路损伤图像数据集，并进行预处理，获得预处理道路损伤图像数据集，包括：
3.根据权利要求2所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，基于YOLOv8网络模型，融合EIEStem、Dysample和GNSCDH构建EDG-YOLO检测模型，包括：
4.根据权利要求2所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，对EDG-YOLO检测模型进行训练，包括：
5.根据权利要求1所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，对EDG-YOLO检测模型进行训练，还包括：
6.根据权利要求3所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，将YOLOv8网络模型的输入端替换为EIEStem模块，包括：
7.根据权利要求3所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，在YOLOv8网络模型的颈部网
8.根据权利要求3所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，替换YOLOv8网络模型的检测头为GNSCDH，包括：引入Group Normaliza tion(GN)创建组归一化共享卷积检测头(Group Normalized Shared Convoluti onal Detection Head，GNSCDH)，具体为：每个检测层先通过GN Conv进行特征提取，再将提取到的特征通过共享卷积层进行处理，并引入可学习缩放参数，以允许检测头更好地处理不同尺度和复杂度的输入数据。
9.根据权利要求1所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，还包括对道路损伤类型进行聚类分析，以获得道路损伤维护策略，具体为：
10.根据权利要求9所述的一种基于EDG-YOLO的道路损伤检测方法，其特征在于，还包括，根据第一道路损伤维护策略或第二道路损伤维护策略，对维护工作量进行测算，具体为：
...【技术特征摘要】
1.一种基于edg-yolo的道路损伤检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于edg-yolo的道路损伤检测方法，其特征在于，获取道路损伤图像数据集，并进行预处理，获得预处理道路损伤图像数据集，包括：
3.根据权利要求2所述的一种基于edg-yolo的道路损伤检测方法，其特征在于，基于yolov8网络模型，融合eiestem、dysample和gnscdh构建edg-yolo检测模型，包括：
4.根据权利要求2所述的一种基于edg-yolo的道路损伤检测方法，其特征在于，对edg-yolo检测模型进行训练，包括：
5.根据权利要求1所述的一种基于edg-yolo的道路损伤检测方法，其特征在于，对edg-yolo检测模型进行训练，还包括：
6.根据权利要求3所述的一种基于edg-yolo的道路损伤检测方法，其特征在于，将yolov8网络模型的输入端替换为eiestem模块，包括：
7.根据权利要求3所述的一种基于edg-yolo的道路损伤检测方...
【专利技术属性】
技术研发人员：张蓉蓉，郭乃瑄，王浩博，张福，顾荣辰，华珍珍，薛珺，董琴，徐森，
申请(专利权)人：盐城工学院，
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。