基于注意力机制集成学习网络的道路损毁目标检测方法技术

本发明专利技术公开了一种基于注意力机制集成学习网络的道路损毁目标检测方法，首先将待检测图像输入基于注意力机制集成学习网络中进行检测；本发明专利技术基于注意力机制集成学习网络，由并行设置的YOLOv5、YOLOv5_SE、YOLOv5_CA子网络组成；然后对YOLOv5、YOLOv5_SE、YOLOv5_CA子网络输出结果进行非极大值抑制处理，获得最终的损毁目标检测结果。本发明专利技术克服了目前道路损毁数据短缺的问题，实现道路日常维护与道路灾害响应两个任务的统一。同时，提高模型的泛化能力与鲁棒性，缓解了复杂多样的道路图像问题。题。题。

【技术实现步骤摘要】
基于注意力机制集成学习网络的道路损毁目标检测方法


[0001]本专利技术属于目标检测
，涉及一种道路损毁目标检测方法，具体涉及一种基于注意力机制集成学习网络的众源图像道路损毁目标检测方法。

技术介绍

[0002]作为基础交通设施，道路承载着教育、医疗、货运、工作、旅游等社会各方面秩序的正常运行，推动经济与社会的发展。便捷、快速、高效的道路损毁检测方法，有利于道路的日常维护与灾害抢修，对道路系统的健康提供有力保障。按照产生原因的不同，能够将道路损毁分为两类：一是由于天气、运输量等原因日积月累产生的小程度磨损，比如裂缝、坑洞；二是由于坍塌、滑坡等原因突然发生的大程度损坏，比如塌陷、落石。
[0003]目前，道路日常维护方面，由于人工目视检测耗时耗力、三维扫描仪设备昂贵等问题，利用便捷高效的图像检测方法探测道路病害的研究逐渐增多。道路灾害响应方面，大多数研究基于遥感或者无人机平台，获取俯视图像中道路网的宏观损毁信息，缺少具体的现场信息。虽然社交媒体数据能够为灾害响应提供详细的现场信息，但此方面的应用很少聚焦于道路损毁。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制集成学习网络的道路损毁目标检测方法，其特征在于，包括以下步骤：步骤1：将待检测图像输入基于注意力机制集成学习网络中进行检测；所述基于注意力机制集成学习网络，由并行设置的YOLOv5、YOLOv5_SE、YOLOv5_CA子网络组成；所述YOLOv5子网络，包括骨干网络和检测头两部分；所述骨干网络，包括五块下采样的特征提取块以及SPPF模块，第一特征提取块为卷积核大小为6、步长为2的卷积层；第二到五特征提取块均为卷积核大小为3、步长为2的卷积层和C3模块的组合，所述C3模块由若干串联的卷积以及跳跃连接组成；第五特征提取块后面设置有一层SPPF模块；所述检测头，包括多尺度特征聚合与检测，首先对骨干网络提取的三种特征图进行自上而下的特征融合，再进行自下而上的特征增强，最后对三种尺度的特征图进行检测；所述YOLOv5_SE子网络，包括骨干网络、SE注意力模块和检测头，其中骨干网络和检测头与所述YOLOv5网络一致；所述SE注意力模块，添加在骨干网络最后一层SPPF模块之前，用于突出通道维的重要特征并抑制通道维的冗余特征；所述SE注意力模块首先对输入特征图沿着通道维进行全局平均池化，之后经过全连接层及激活函数得到通道的加权值，最后与输入特征图相乘；所述YOLOv5_CA子网络，包括骨干网络、CA注意力模块和检测头，其中骨干网络和检测头和所述YOLOv5网络一致；所述CA注意力模块，添加在骨干网络最后一层SPPF模块之后，用于突出像素级的重要特征并抑制像素级的冗余特征；所述CA注意力模块首先对输入特征图分别沿着长、宽方向平均池化，拼接后经过卷积、批归一化与激活函数，之后分成长、宽方向的特征图，分别通过卷积与激活函数，最后对输入的特征图进行逐像素的加权处理；步骤2：对YOLOv5、YOLOv5_SE、YOLOv5_CA子网络输出结果进行非极大值抑制处理，获得最终的损毁目标检测结果。2.根据权利要求1所述的基于注意力机制集成学习网络的道路损毁目标检测方法，其特征在于：步骤1中，所述基于注意力机制集成学习网络是训练好网络，其训练过程包括以下子步骤：步骤1.1：获取若干道路损毁众源图像，并进行预处理；所述众源图像来源包括车载摄像头、无人机和互联网；步骤1.2：针对步骤1.1预处理后的道路损毁众源图像进行人工标注，建立样本数据库；步骤...

【专利技术属性】
技术研发人员：焦洪赞，袁强强，苏鑫，王守星，
申请(专利权)人：武汉大学，
类型：发明
国别省市：