【技术实现步骤摘要】
基于改进YOLOX的桥梁病害检测方法、系统、设备及介质
[0001]本申请涉及桥梁病害检测
,尤其涉及一种基于改进
YOLOX
的桥梁病害检测方法
、
系统
、
设备及介质
。
技术介绍
[0002]深度学习领域的目标检测算法一般分为两个阶段
(two
‑
stage)
和单阶段
(one
‑
stage)
:前者在检测准确率和定位精度上占优,后者在算法速度上占优
。
但随着各种创新方法的加入,大大解决了单阶段网络正负样本的筛选不均衡问题
。
截至目前在某些领域内,单阶段目标检测算法已经能够与两阶段目标检测算法在精度上媲美甚至超过
。
例如,
Ross.B.Girshick 提出了两阶段中 最经典的 Faster R
‑
CNN 模型,该模型的速度与精度都得到提升,但是远没有达到 YOLO 系列在桥梁病害领域的检测速度与精度
。
[0003]YOLOX
网络是基于
YOLOv3
提出的算法,是
YOLO
系列的新兴力量,结合了目标检测领域的前沿创新方法,其中包括
CenterNet、FCOS
等的
anchor
‑
free
,
SimOTA
目标动态匹配正样本等,使得
YOLO
‑ />X
网络具有很高的目标检测精度
。
[0004]但是,现有的,检测头存在分类与检测互不相关的弊端,也就是,现有的
YOLOX
存在分类与定位相分离导致的预测不一致性
。
另外,由于检测头分类与检测互不相关,
YOLOX
算法将分类任务和检测回归任务分开计算,所以相对应的损失函数也将分开计算,导致损失函数中的损失计算结果,无法反映出
yolox
预测与真实两者之间的真实距离,难以继续网络训练
。
[0005]申请内容针对现有技术的上述不足,本申请提供一种基于改进
YOLOX
的桥梁病害检测方法
、
系统
、
设备及介质,以解决上述(1)检测头分类与检测互不相关的弊端;(2)损失函数中的损失计算结果,无法反映出
yolox
预测与真实两者之间的真实距离,难以继续网络训练的技术问题
。
[0006]第一方面,本申请提供了一种基于改进
YOLOX
的桥梁病害检测方法,方法包括:将桥梁病害图片输入
yolox
网络,对桥梁病害图片进行数据预处理,将预处理后的桥梁病害图片拆分为训练集和测试集;其中,
yolox
网络包括主干网络
、
颈部
FPN
和检测头;通过预设
VOC
数据集对
yolox
网络的初始预训练模型进行迁移学习,以获得第一预训练模型,并通过训练集和
siou
损失函数更新第一预训练模型对应的网络权重,以获得最终预训练模型,完成
yolox
网络的网络权重的调整;通过主干网络加载测试集,输出测试集对应的特征点集合;通过颈部
FPN
对特征集点合进行特征采样融合,以获得若干特征层;将特征层输入检测头,通过检测头中的预设特征提取网络,获取特征层对应的尺度特征;将尺度特征输入检测头中的任务对齐器
TAP
进行尺度特征的分类与任务对齐,进而获得分类信息和检测框定位信息
。
[0007]进一步地,对桥梁病害图片进行数据预处理,将预处理后的桥梁病害图片拆分为训练集和测试集,具体包括:通过主干网络将输入的桥梁病害图片尺寸调整为预设尺寸;对
调整后的桥梁病害图片进行归一化处理;将归一化处理后的桥梁病害图片拆分为训练集和测试集
。
[0008]进一步地,训练集至少包括:第一训练集和第二训练集,且训练集中桥梁病害图片包括:预测边界框与真实边界框;通过预设
VOC
数据集对
yolox
网络的初始预训练模型进行迁移学习,以获得第一预训练模型,并通过训练集和
siou
损失函数更新第一预训练模型对应的网络权重,以获得最终预训练模型,完成
yolox
网络的网络权重的调整,具体包括:通过预设
VOC
数据集,对初始预训练模型中的
YOLOX
权重进行迁移学习,以获得第一预训练模型;对第一预训练模型中
YOLOX
权重中的预设权重进行冻结,进而通过第一训练集对第一预训练模型进行迭代训练,以获得第二预训练模型;通过第二训练集对第二预训练模型进行选代训练,同时根据预设预设权重解冻顺序,对预设权重进行解冻,以获得第三预训练模型;其中,全部预训练模型均采用最优传输理论全局分配模型中每个目标框对应的桥梁病害数据,以获得桥梁病害数据对应的预测边界框其中,全部预训练模型包括初始预训练模型
、
第一预训练模型
、
第二预训练模型和第三预训练模型;且全部预训练模型均通通过
siou
损失函数,对预测边界框与真实边界框进行损失计算,以获得第三预训练模型对应的损失计算结果,利用反向传播算法和损失计算结果,对第三预训练模型中的网络权重进行更新,以获得若干权重更新集合;其中,网络权重包括预设权重;确定若干权重更新集合中预测边界框准确率最高的权重更新集合,将第三预训练模型中的网络权重更新为预测边界框准确率最高的权重更新集合,以获得最终预训练模型
。
[0009]进一步地,预设权重至少包括学习率;在根据预设预设权重解冻顺序,对预设权重进行解冻之后,方法还包括:在通过第二训练集对第二预训练模型进行迭代训练的过程中,通过余弦退火策略调整学习率
。
[0010]进一步地,通过检测头中的预设特征提取网络,获取特征层对应的尺度特征;将尺度特征输入检测头中的任务对齐器
TAP
进行尺度特征的分类与任务对齐,进而获得分类信息和检测框定位信息,具体包括:将特征层输入预设特征提取网络中的
Stem
层进行通道压缩;进而通过预设特征提取网络中的若干带有激活函数的卷积层网络从特征层中学习特征;进而获得特征层对应的尺度特征;通过预设公式:,获得分类信息或检测框定位信息;其中,为尺度特征为任务交互特征的级联特征,和均为用于降维的
1*1
卷积,为分类信息或检测框定位信息
。
[0011]第二方面,本申请提供了一种基于改进
YOLOX
的桥梁病害检测系统,系统包括:预处理模块,用于将桥梁病害图片输入
yolox
网络,对桥梁病害图片进本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于改进
YOLOX
的桥梁病害检测方法,其特征在于,所述方法包括:将桥梁病害图片输入
yolox
网络,对桥梁病害图片进行数据预处理,将预处理后的桥梁病害图片拆分为训练集和测试集;其中,
yolox
网络包括主干网络
、
颈部
FPN
和检测头;通过预设
VOC
数据集对
yolox
网络的初始预训练模型进行迁移学习,以获得第一预训练模型,并通过训练集和
siou
损失函数更新第一预训练模型对应的网络权重,以获得最终预训练模型,完成
yolox
网络的网络权重的调整;通过主干网络加载测试集,输出测试集对应的特征点集合;通过颈部
FPN
对特征集点合进行特征采样融合,以获得若干特征层;将特征层输入检测头,通过检测头中的预设特征提取网络,获取特征层对应的尺度特征;将尺度特征输入检测头中的任务对齐器
TAP
进行尺度特征的分类与任务对齐,进而获得分类信息和检测框定位信息
。2.
根据权利要求1所述的基于改进
YOLOX
的桥梁病害检测方法,其特征在于,对桥梁病害图片进行数据预处理,将预处理后的桥梁病害图片拆分为训练集和测试集,具体包括:通过主干网络将输入的桥梁病害图片尺寸调整为预设尺寸;对调整后的桥梁病害图片进行归一化处理;将归一化处理后的桥梁病害图片拆分为训练集和测试集
。3.
根据权利要求1所述的基于改进
YOLOX
的桥梁病害检测方法,其特征在于,训练集至少包括:第一训练集和第二训练集,且训练集中桥梁病害图片包括:预测边界框与真实边界框;通过预设
VOC
数据集对
yolox
网络的初始预训练模型进行迁移学习,以获得第一预训练模型,并通过训练集和
siou
损失函数更新第一预训练模型对应的网络权重,以获得最终预训练模型,完成
yolox
网络的网络权重的调整,具体包括:通过预设
VOC
数据集,对初始预训练模型中的
YOLOX
权重进行迁移学习,以获得第一预训练模型;对第一预训练模型中
YOLOX
权重中的预设权重进行冻结,进而通过第一训练集对第一预训练模型进行迭代训练,以获得第二预训练模型;通过第二训练集对第二预训练模型进行选代训练,同时根据预设预设权重解冻顺序,对预设权重进行解冻,以获得第三预训练模型;其中,全部预训练模型均采用最优传输理论全局分配模型中每个目标框对应的桥梁病害数据,以获得桥梁病害数据对应的预测边界框其中,全部预训练模型包括初始预训练模型
、
第一预训练模型
、
第二预训练模型和第三预训练模型;且全部预训练模型均通通过
siou
损失函数,对预测边界框与真实边界框进行损失计算,以获得第三预训练模型对应的损失计算结果,利用反向传播算法和损失计算结果,对第三预训练模型中的网络权重进行更新,以获得若干权重更新集合;其中,网络权重包括预设权重;确定若干权重更新集合中预测边界框准确率最高的权重更新集合,将第三预训练模型中的网络权重更新为预测边界框准确率最高的权重更新集合,以获得最终预训练模型
。4.
根据权利要求3所述的基于改进
YOLOX
的桥梁病害检测方法,其特征在于,预设权重至少包括学习率;在根据预设预设权重解冻顺序,对预设权重进行解冻之后,所述方法还包括:在通过第二训练集对第二预训练模型进行迭代训练的过程中,通过余弦退火策略调整学习率
。5.
根据权利要求1所述的基于改进
YOLOX
的桥梁病害检测方法,其特征在于,通过检测
头中的预设特征提取网络,获取特征层对应的尺度特征;将尺度特征输入检测头中的任务对齐器
TAP
进行尺度特征的分类与任务对齐,进而获得分类信息和检测框定位信息,具体包括:将特征层输入预设特征提取网络中的
Stem
层进行通道压缩;进而通过预设特征提...
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。