【技术实现步骤摘要】
本专利技术涉及路灯检测，具体地，涉及一种基于yolov8模型的异常路灯检测系统及方法。
技术介绍
1、目前，路灯异常检测主要依赖人工巡检或传统的传感器检测方法，存在诸多问题。
2、在工序方面，传统的路灯检测通常需要人工巡检，依赖工作人员在特定时间内对路灯逐个排查，这不仅耗时耗力，还容易出现漏检和误判。部分检测方法使用传感器检测路灯状态，但这些传感器需大量安装在各个路灯上，增加了系统部署的复杂性和维护成本。此外，传感器受环境影响较大，尤其在恶劣天气条件下可能出现误报或失灵的情况。
3、在实时性方面，传统方法由于依赖人工巡检，无法做到实时监控，尤其是在广域的城市道路上，难以快速发现和处理路灯故障问题。传感器监控虽然能够实现一定程度的自动化，但受限于传感器的数量和分布，监控范围有限，难以覆盖所有路灯的实时状态。
4、在成本方面，人工巡检需要大量人力，长时间巡检也增加了维护成本。同时，传感器系统的初期安装费用高，且设备容易受损，需定期维护和更换，进一步增加了运营成本。此外，传感器覆盖范围有限，无法做到大范围部署，增加了系统扩展的难度。
5、因此，现有的异常路灯检测方法存在工序复杂、实时性差、成本高等问题，急需一种更加高效、实时、低成本的路灯异常检测方法及系统。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术提出一种基于yolov8模型的异常路灯检测系统及方法，本专利技术通过计算机视觉和深度学习技术，利用yolov8模型对路灯进行自动
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于yolov8模型的异常路灯检测系统，包括图像获取模块、目标检测模块以及异常路灯识别模块，所述图像获取模块用于实时获取道路上的监控图像，所述目标检测模块采用yolov8模型对图像数据进行目标检测，对图像中路灯区域进行识别，定位图像中的路灯并标记其位置；所述异常路灯识别模块利用图像特征对检测到的路灯状态进行分析，采用多次识别策略，对于同一时段采集的多张路灯图像，进行多次异常检测，通过投票机制判断最终结果，从而识别出异常的路灯。
4、优选地，所述目标检测模块使用yolov8模型对图像数据进行目标检测，在模型训练过程中通过结合通道注意力机制和空间注意力机制来提升网络对关键特征的关注，改善目标检测的精度。
5、优选地，针对通道注意力模块：首先对输入特征图进行全局平均池化和最大池化，生成两个不同的特征向量，分别表示各通道的重要性；其次将这两个向量经过两个全连接层，并使用relu激活函数和sigmoid激活函数，以生成每个通道的注意力权重；最后将权重应用于输入特征图，调整每个通道的影响。
6、优选地，针对空间注意力模块：首先，将通道维度进行压缩，得到一幅二维特征图，代表了各个空间位置的重要性；其次对压缩后的特征图应用卷积操作，生成空间注意力图；最后将空间注意力图与输入特征图相乘，以增强重要区域的特征，并减弱不重要区域的影响。
7、优选地，所述系统还包括报警模块，将经过多次识别和投票的检测结果输出，若检测到异常路灯，则标注其位置并记录相关数据，报警模块生成报警信息。
8、优选地，所述系统还包括追踪模块，所述追踪模块通过改进的deepsort算法对检测模型检测出的异常路灯进行追踪。
9、进一步地，本专利技术还提供一种基于yolov8模型的异常路灯检测方法，包括以下步骤：
10、实时采集获取道路上的图像，使用yolov8模型对获取的图像进行目标检测，识别并标注路灯区域；
11、对标注的路灯区域图像进行多维度特征提取，并利用注意力机制优化特征提取效果，识别出可能的异常路灯；
12、对同一时间段内采集的图像进行多次异常检测，通过投票机制判断最终结果，识别异常路灯并标注异常路灯的位置信息。
13、优选地，所述对标注的路灯区域图像进行多维度特征提取，并利用注意力机制优化特征提取效果，识别出可能的异常路灯的步骤，具体包括以下步骤：
14、使用预训练的卷积神经网络对裁剪后的路灯区域图像进行多维度特征提取；
15、引入注意力机制，以动态加权特征的重要性，突出与异常检测相关的关键特征，抑制无关或冗余的特征。
16、优选地，所述对同一时间段内采集的图像进行多次异常检测，通过投票机制判断最终结果，识别异常路灯，并标注异常路灯的位置信息的步骤，具体包括以下步骤：
17、对同一时间段采集的多张图像分别进行独立的异常检测；
18、通过投票机制来判定最终的异常结果；
19、根据投票机制的最终结果，对异常路灯的状态进行标记。
20、优选地，所述方法还包括以下步骤：利用改进deepsort算法对检测模型检测出的异常路灯进行追踪。
21、与现有技术相比，本专利技术具有如下的有益效果：
22、1、工序方面，本专利技术充分利用现有的道路监控系统或其他图像采集设备，避免了额外的硬件安装或设备调试，减少了项目实施的复杂性。通过yolov8模型对路灯区域进行自动化检测和标注，能够精确识别异常路灯，并采用多次检测和投票机制，进一步提高了检测的可靠性和准确性。通过加入attention机制优化特征提取的效果，提高了模型对异常路灯的识别精度。整个过程自动化程度高，减少了人工干预，简化了检测操作流程，并能够在复杂环境下有效运行，显著提高了检测效率和数据处理的精度。
23、2、实时性方面，本专利技术能够通过道路监控系统实时获取图像，并利用yolov8模型对路灯状态进行即时检测。attention机制的引入进一步提升了模型的实时响应能力。通过定期采集图像、多次检测和少数服从多数的投票机制，本专利技术能够在确保检测准确性的同时，实时反映路灯的运行状态。无需等待特定的检测时间或对道路进行封闭，系统能够在正常的交通环境下，随时对路灯状态进行监测，确保道路照明的安全性与稳定性。
24、3、降低误报和漏报方面，本专利技术通过多次检测与投票机制，有效减少了单次检测误报或漏报的风险。在复杂环境下，例如光线变化或车辆经过，可能导致的单次检测误差能够通过投票机制进行自动纠正，从而提高整体系统的可靠性和准确性。少数服从多数的决策规则确保了路灯异常检测的稳健性，显著提升了系统的容错能力。
25、4、成本方面，本专利技术充分利用现有的监控系统和图像采集设备，无需额外购买昂贵的硬件设备。通过软件算法实现路灯异常检测，减少了对物理设备的依赖。attention机制与yolov8模型相结合，不仅提升了检测效果，还能通过持续的软件优化和模型更新，进一步降低系统的长期使用成本。无需对道路进行物理改动或设置额外的标记，避免了高昂的施工和维护费用，具有良好的经济效益。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv8模型的异常路灯检测系统，其特征在于，所述系统包括图像获取模块、目标检测模块以及异常路灯识别模块，所述图像获取模块用于实时获取道路上的监控图像，所述目标检测模块采用YOLOv8模型对图像数据进行目标检测，对图像中路灯区域进行识别，定位图像中的路灯并标记其位置；所述异常路灯识别模块利用图像特征对检测到的路灯状态进行分析，采用多次识别策略，对于同一时段采集的多张路灯图像，进行多次异常检测，通过投票机制判断最终结果，从而识别出异常的路灯。
2.根据权利要求1所述的基于YOLOv8模型的异常路灯检测系统，其特征在于，所述目标检测模块使用YOLOv8模型对图像数据进行目标检测，在模型训练过程中通过结合通道注意力机制和空间注意力机制来提升网络对关键特征的关注，改善目标检测的精度。
3.根据权利要求2所述的基于YOLOv8模型的异常路灯检测系统，其特征在于，针对通道注意力模块：首先对输入特征图进行全局平均池化和最大池化，生成两个不同的特征向量，分别表示各通道的重要性；其次将这两个向量经过两个全连接层，并使用ReLU激活函数和Sigmoid激活函数，
4.根据权利要求2所述的基于YOLOv8模型的异常路灯检测系统，其特征在于，针对空间注意力模块：首先，将通道维度进行压缩，得到一幅二维特征图，代表了各个空间位置的重要性；其次对压缩后的特征图应用卷积操作，生成空间注意力图；最后将空间注意力图与输入特征图相乘，以增强重要区域的特征，并减弱不重要区域的影响。
5.根据权利要求1所述的基于YOLOv8模型的异常路灯检测系统，其特征在于，所述系统还包括报警模块，将经过多次识别和投票的检测结果输出，若检测到异常路灯，则标注其位置并记录相关数据，报警模块生成报警信息。
6.根据权利要求1所述的基于YOLOv8模型的异常路灯检测系统，其特征在于，所述系统还包括追踪模块，所述追踪模块通过改进的DeepSORT算法对检测模型检测出的异常路灯进行追踪。
7.一种基于YOLOv8模型的异常路灯检测方法，其特征在于，所述方法包括以下步骤：
8.根据权利要求7述的基于YOLOv8模型的异常路灯检测方法，其特征在于，所述对标注的路灯区域图像进行多维度特征提取，并利用注意力机制优化特征提取效果，识别出可能的异常路灯的步骤，具体包括以下步骤：
9.根据权利要求7述的基于YOLOv8模型的异常路灯检测方法，其特征在于，所述对同一时间段内采集的图像进行多次异常检测，通过投票机制判断最终结果，识别异常路灯，并标注异常路灯的位置信息的步骤，具体包括以下步骤：
10.根据权利要求7述的基于YOLOv8模型的异常路灯检测方法，其特征在于，所述方法还包括以下步骤：利用改进DeepSORT算法对检测模型检测出的异常路灯进行追踪。
...【技术特征摘要】
1.一种基于yolov8模型的异常路灯检测系统，其特征在于，所述系统包括图像获取模块、目标检测模块以及异常路灯识别模块，所述图像获取模块用于实时获取道路上的监控图像，所述目标检测模块采用yolov8模型对图像数据进行目标检测，对图像中路灯区域进行识别，定位图像中的路灯并标记其位置；所述异常路灯识别模块利用图像特征对检测到的路灯状态进行分析，采用多次识别策略，对于同一时段采集的多张路灯图像，进行多次异常检测，通过投票机制判断最终结果，从而识别出异常的路灯。
2.根据权利要求1所述的基于yolov8模型的异常路灯检测系统，其特征在于，所述目标检测模块使用yolov8模型对图像数据进行目标检测，在模型训练过程中通过结合通道注意力机制和空间注意力机制来提升网络对关键特征的关注，改善目标检测的精度。
3.根据权利要求2所述的基于yolov8模型的异常路灯检测系统，其特征在于，针对通道注意力模块：首先对输入特征图进行全局平均池化和最大池化，生成两个不同的特征向量，分别表示各通道的重要性；其次将这两个向量经过两个全连接层，并使用relu激活函数和sigmoid激活函数，以生成每个通道的注意力权重；最后将权重应用于输入特征图，调整每个通道的影响。
4.根据权利要求2所述的基于yolov8模型的异常路灯检测系统，其特征在于，针对空间注意力模块：首先，将通道维度进行压缩，得到一幅二维特征图，代表了各个空间位置的重要性；...
【专利技术属性】
技术研发人员：刘翔，周志颖，谭世康，石蕴玉，卢强，储昭兵，武琼，解伟豪，
申请(专利权)人：上海工程技术大学，
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。