【技術實現步驟摘要】
本專利技術涉及病害檢測，特別是一種輕量級的實時道路病害檢測算法。
技術介紹
1、路面狀況的檢測對于公路的養護和修復至關重要。路面病害若不及時處理，不僅會降低駕駛的舒適性和安全性，還可能導致道路使用壽命的縮短。現階段，基于深度學習的路面病害檢測方法得到了普遍應用，與傳統方法相比，它能更準確地識別各類路面病害，并具有更強的泛化能力；深度學習算法能夠自動學習和提取特征，無需人工干預，大大簡化了任務工作流程，包括單階段(如yolo、ssd)和雙階段(如r-cnn系列)目標檢測算法。
2、由于路面病害檢測任務對準確性和實時性以及算法模型泛化能力要求高，需要檢測算法既要有較高準確率又擁有較低的時間復雜度和空間復雜度，目前的兩階段目標檢測算法如faster?r-cnn等對于模型參數量較大，模型計算量大，難以滿足實時性要求，而單階段目標檢測算法如yolov5等為了保證較高準確度，在其算法模型也相對復雜，目前的yolo系列算法在上采樣階段都使用最近鄰插值上采樣(upsample)，這種上采樣方式容易使路面病害特征信息丟失，導致yolov5對小目標病害的檢測性能較差。
技術實現思路
1、本專利技術的目的在于提供一種輕量級的實時道路病害檢測算法，輕量化程度高、檢測準確率高、更適用于實時路面病害檢測任務。
2、本專利技術的目的通過以下技術方案來實現：
3、一種輕量級的實時道路病害檢測算法，包括對yolov5算法模型進行以下改進：
4、s1、構建c3ghost
5、s2、引入carafe算子替換neck網絡結構中的近鄰插值，減少上采樣中的路面病害特征信息丟失，提高網絡特征融合性能；
6、s3、引入ema注意力機制并將其添加至neck網絡中的c3ghostv2模塊后，對全局信息進行編碼，降低通道特征信息丟失及計算開銷；
7、s4、引入focal-eiou損失函數替換ciou損失函數，關注高質量的邊界框，加速模型收斂。
8、進一步的，c3ghostv2模塊由c3模塊與ghostv2模塊結合構建得出，將n個ghostv2瓶頸模塊替換c3模塊的瓶頸部分，通過普通卷積生成基本特征圖，經批量歸一化和silu激活函數從瓶頸結構中提取特征，再與普通卷積得到的特征圖拼接，隨后通過普通卷積調整通道數得到輸出特征圖。
9、進一步的，carafe算子由核預測模塊和內容感知重裝模塊組成；
10、核預測模塊利用通道壓縮以減少特征圖的輸入通道數量，再利用編碼模塊將壓縮后的特征圖作為輸入，并對其內容進行編碼生成重組核，最后經過softmax歸一化生成權值；
11、內容感知重裝模塊將生成的特征重新排列成空間塊來實現特征上采樣。
12、進一步的，carafe算子的計算過程如下：
13、上采樣倍數為δ，輸入維數為c×h×w的特征圖x，經過carafe處理后得到維數為c×δh×δw的上采樣特征圖x′，特征圖x′中任意目標位置l′＝(x′+y′)在特征圖x中原位位置為l＝(x+y)，其中x＝[x′/δ]，y＝[y′/δ]，將n(xl，k)定義為以位置ι為中心特征圖x的k×k子區域，核預測模塊根據xl的子區域為每個位置l′預測一個位置核wl′，如式(1)所示：
14、
15、內容感知重裝模塊將xl的鄰域與wl′通過加權結合，得到特征點之間的空間關系和特征圖中的語義信息，生成精確的上采樣結果，如式(2)所示：
16、
17、式中，kencoder是卷積層的內核大小，kup是上采樣層的內核大小。。
18、進一步的，ema注意力機制將輸入特征圖在通道維度上分割為g個子特征圖，并通過三個并行的路徑來提取各分組特征圖的注意力權重，將這g組特征重新排列并整合到批處理維度，對輸入張量進行重構，隨后通過二維全局平均池化在輸出中編碼全局空間信息，其中，二維全局平均池化操作公式如式(3)所示：
19、
20、式中，zc表示二維全局平均池化后得到的第c個通道的輸出值，h和w分別為輸入特征的空間維度，c為通道數，xc(i，j)表示寬度為i，高度為j的第c個通道的輸入，最后，在二維全局平均池化的輸出端應用非線性激活函數softmax，將得到的兩個空間注意力權重值通過sigmoid函數進行融合，從而得到每組輸出特征圖。
21、進一步的，focal-eiou損失函數如式(4)所示：
22、lfocal-eiou＝iouγleiou???????????????(4)
23、式中，調節因子γ＝0.5，iou是預測框和真實框相交區域面積和合并區域面積的比值；
24、其中，eiou損失函數如式(5)所示：
25、
26、式中，ρ2(b，bgt)為預測框中心點b和真實框中心點bgt之間的歐氏距離的平方，c2為預測框與真實框的最小外接框對角線長度的平方，ρ2(w，wgt)為預測框寬度w和真實框wgt之間的歐氏距離的平方，為預測框與真實框的寬度差異的歸一化參數；ρ2(h，hgt)為預測框高度h和真實框高度hgt之間的歐氏距離的平方；為預測框與真實框的高度差異的歸一化參數。
27、本專利技術具有以下優點：本申請的算法輕量化程度高，檢測準確率高，更加適用于實時路面病害檢測任務。
本文檔來自技高網...【技術保護點】
1.一種輕量級的實時道路病害檢測算法，其特征在于：包括對YOLOv5算法模型進行以下改進：
2.根據權利要求1所述的一種輕量級的實時道路病害檢測算法，其特征在于：所述C3GhostV2模塊由C3模塊與GhostV2模塊結合構建得出，將n個Ghostv2瓶頸模塊替換C3模塊的瓶頸部分，通過普通卷積生成基本特征圖，經批量歸一化和SiLU激活函數從瓶頸結構中提取特征，再與普通卷積得到的特征圖拼接，隨后通過普通卷積調整通道數得到輸出特征圖。
3.根據權利要求1所述的一種輕量級的實時道路病害檢測算法，其特征在于：所述CARAFE算子由核預測模塊和內容感知重裝模塊組成；
4.根據權利要求3所述的一種輕量級的實時道路病害檢測算法，其特征在于：所述CARAFE算子的計算過程如下：
5.根據權利要求1所述的一種輕量級的實時道路病害檢測算法，其特征在于：所述EMA注意力機制將輸入特征圖在通道維度上分割為G個子特征圖，并通過三個并行的路徑來提取各分組特征圖的注意力權重，將這G組特征重新排列并整合到批處理維度，對輸入張量進行重構，隨后通過二維全局平均池化在
6.根據權利要求1所述的一種輕量級的實時道路病害檢測算法，其特征在于：所述Focal-EIoU損失函數如式(4)所示：
...【技術特征摘要】
1.一種輕量級的實時道路病害檢測算法，其特征在于：包括對yolov5算法模型進行以下改進：
2.根據權利要求1所述的一種輕量級的實時道路病害檢測算法，其特征在于：所述c3ghostv2模塊由c3模塊與ghostv2模塊結合構建得出，將n個ghostv2瓶頸模塊替換c3模塊的瓶頸部分，通過普通卷積生成基本特征圖，經批量歸一化和silu激活函數從瓶頸結構中提取特征，再與普通卷積得到的特征圖拼接，隨后通過普通卷積調整通道數得到輸出特征圖。
3.根據權利要求1所述的一種輕量級的實時道路病害檢測算法，其特征在于：所述carafe算子由核預測模塊和內容感知重裝模塊組成；
<...【專利技術屬性】
技術研發人員：范宇霄，張清楊，聶璽豐，李欣瑞，楊萬清，
申請(專利權)人：江蘇師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。