【技术实现步骤摘要】
本专利技术涉及图像处理，具体为一种适用于移动平台的沥青路面裂缝检测方法及系统。
技术介绍
1、随着国家基建的日益完善，道路从大规模修建逐渐向全面养护为主，公路里程的日益增长对道路养护提出了更高的要求，传统道路裂缝检测以人工检测为主，以人眼识别为基础还需要一定的经验才能准确识别出裂缝类型，这一方法部署的成本高，效率低，无法满足现有道路养护的实际需求。根据人工检测的痛点又有了半自动化检测，通过安装在车辆上的摄像头或其他成像设备采集道路图像再使用图像处理技术和图像识别算法对采集到的图像进行病害类型分类。其中图像识别算法的运行对硬件算力有较高的要求，而且识别的精度有好有坏，且这些有一定算力的硬件设备价格较为昂贵。常用的目标检测算法有yolo系列，ssd，faster r-cnn等，这些算法需要达到一定硬件要求才能确保检测精度和速度达到要求。对这些算法进行改进在不影响其检测精度和时间下使其算法大小，内存需求得以压缩以便于移动端设备运行。
2、常用的轻量化网络有mobilenet、shufflenet等，这些网络复杂度低，适用于移动端或其他嵌入式硬件里运行，常用的轻量化卷积有深度可分离卷积操作，部分卷积操作等但是这在检测道路裂缝里中精度较低，参数过少或卷积层深度不够影响着网络特征提取的性能，还需要其他辅助模块在不降低参数量和算法复杂度的情况提升精度。此外，用于拍摄裂缝的摄影设备规模有限，难以拍到高分辨率清晰图像，虽然用肉眼可以观察到大部分裂缝，但是依然有小一部分用人眼不好分辨，由此带来的数据集质量不高，极大降低目标检测网络中特征
3、所以，提出一种适用于移动端的、具有更高轻量化特性和较高识别精度的道路病害检测算法。该算法不仅需要在保证模型轻量化的同时，提升特征提取的精度，还需要通过图像增强技术改善数据集质量，从而提高整体检测性能。
技术实现思路
1、本专利技术的目的在于提供一种适用于移动平台的沥青路面裂缝检测方法及系统，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：
3、一种适用于移动平台的沥青路面裂缝检测方法，方法包括：
4、获取公开数据集和自建数据集中的路面裂缝图像，对路面裂缝图像进行预处理优化和标注，生成数据集；所述数据集包括训练集、验证集和测试集；
5、将数据集中的训练集输入至yolov5网络，所述yolov5网络包括主干特征提取网络、颈部特征融合网络和三个检测头；
6、基于对yolov5网络中主干特征提取网络的改进构建道路裂缝检测模型；
7、将数据集中的测试集输入至道路裂缝检测模型进行性能评估。
8、优选的，yolov5网络包括主干特征提取网络、颈部特征融合网络和三个检测头，包括：
9、所述主干特征提取网络用于提取路面裂缝图像的图像特征；
10、所述颈部特征融合网络用于对提取的图像特征进行特征融合；
11、所述三个检测头用于根据特征融合后的图像预测边界框和类别,训练完成后得到后续预测过程所需要的权重文件，训练完成。
12、优选的，基于对yolov5网络中主干特征提取网络的改进构建道路裂缝检测模型，包括：
13、利用生成对抗网络增强路面裂缝图像；所述生成对抗网络包括生成模型和判别模型；
14、基于主干特征提取网络中c3模块的bottleneck模块，构建fasterblock模块；
15、基于主干特征提取网络中的普通卷积模块，加入scdown下采样模块；
16、基于yolov5网络中传统的插值上采样模块，替换为carafe上采样模块。
17、优选的，生成对抗网络包括生成模型和判别模型，包括：
18、所述生成模型用于捕捉样本数据的分布：
19、a1、所述生成模型接收一个低分辨率的路面裂缝图像作为输入，通过初始的卷积层和批量归一化层提取图像基本特征；
20、a2、将图像特征数据流经一系列残差块，所述残差块包括两个卷积层和批量归一化层；
21、a3、插入prelu激活函数，采用跳跃连接以缓解梯度消失问题并促进深层信息流动，通过像素重排层进行上采样，将特征图中的通道信息转换为空间信息，实现高效且快速的上采样，将特征图转换为高分辨率的路面裂缝图像；
22、所述判别模型用于利用判别器网络判别输入的高分辨率路面裂缝图像是真实数据还是生成的样本，并利用损失函数进行数据更新；
23、其中损失函数公式为
24、其中x表示样本内容，a表示损失参数。
25、优选的，基于主干特征提取网络中c3模块的bottleneck模块，构建fasterblock模块，包括：
26、所述fasterblock模块包括bottleneck模块、部分卷积模块pconv和emattention注意力模块；
27、所述bottleneck模块为yolov5网络中传统的c3模块中的一个模块；
28、所述部分卷积模块pconv是将输入特征图中的部分区域进行卷积操作，剩余部分区域保持不变，再将卷积操作后的特征图和未进行卷积操作的特征图进行拼接，使之成为新的特征图，并在此基础上再使用点卷积进行卷积操作pwconv得到不同通道的特征图用于特征提取，使用残差链接重用特征，再进行权重重分配；
29、所述emattention注意力模块用于提升特征提取能力，弥补部分卷积操作在特征提取上的不足。
30、优选的，emattention注意力模块用于提升特征提取能力，弥补部分卷积操作在特征提取上的不足，包括：
31、b1、获取所述不同通道的特征图作为emattention注意力模块的输入特征图，将输入特征图划分为g个子组，每个子组有c/g个通道；则对每个子组在宽度w和高度h上进行平均池化，得到一个形状为c//g×1×w和c//g×h×1的特征图，再保留c//g×h×w的特征图，三个分支进行不同的操作，将x平均池化分支和y平均池化分支的输出沿着通道方向连接起来，形成一个c//g×1×(w+h)形状的新特征图；
32、b2、对新特征图应用一个1x1卷积层，以便整合来自三个分支的信息，使用sigmoid函数对连接后的特征图进行非线性变换，得到两个输出，形状分别为c//g×1×w和c//g×h×1，再进行权重重分配；再进行组归一化、全局平均池化后的特征图进行softmax操作，得到概率分布；
33、b3、将所述概率分布与输入特征图进行矩阵乘法运算，第三条分支经过3×3的卷积操作之后同样进行全局平均池化和softmax操作，将组归一化的特征图与第三条分支softmax处理过后的特征图进本文档来自技高网...
【技术保护点】
1.一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述YOLOv5网络包括主干特征提取网络、颈部特征融合网络和三个检测头，包括：
3.根据权利要求1所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述基于对YOLOv5网络中主干特征提取网络的改进构建道路裂缝检测模型，包括：
4.根据权利要求3所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述生成对抗网络包括生成模型和判别模型，包括：
5.根据权利要求3所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述基于主干特征提取网络中C3模块的bottleneck模块，构建FasterBlock模块，包括：
6.根据权利要求5所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于，所述EMAttention注意力模块用于提升特征提取能力，弥补部分卷积操作在特征提取上的不足，包括：
7.根据权利要求3所述的一种适用于移动平台的沥
8.根据权利要求3所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于，所述CARAFE上采样模块，包括：上采样核预测模块和特征重组模块；
9.用于实现权利要求1-8中任一项所述的一种适用于移动平台的沥青路面裂缝检测方法的沥青路面裂缝检测系统，其特征在于：所述系统包括：数据采集模块、网络输入模块、模型构建模块和性能评估模块；
10.根据权利要求6所述的沥青路面裂缝检测系统，其特征在于：所述模型构建模块包括生成对抗网络、FasterBlock模块、SCDown下采样模块和CARAFE上采样模块；
...【技术特征摘要】
1.一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述方法包括：
2.根据权利要求1所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述yolov5网络包括主干特征提取网络、颈部特征融合网络和三个检测头，包括：
3.根据权利要求1所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述基于对yolov5网络中主干特征提取网络的改进构建道路裂缝检测模型，包括：
4.根据权利要求3所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述生成对抗网络包括生成模型和判别模型，包括：
5.根据权利要求3所述的一种适用于移动平台的沥青路面裂缝检测方法，其特征在于：所述基于主干特征提取网络中c3模块的bottleneck模块，构建fasterblock模块，包括：
6.根据权利要求5所述的一种适用于移动平台的沥...
【专利技术属性】
技术研发人员：张子天，韩国威，陈富于，刘谢玉，
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。