【技术实现步骤摘要】
本专利技术属于混凝土检测，尤其涉及一种基于改进yolov5的混凝土裂缝检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、由于混凝土的抗拉能力较低，在外力和自然因素的作用下，在混凝土表面不可避免地会出现裂缝等缺陷。导致结构的承载能力和耐久性降低。因此混凝土表面裂缝检测对于混凝土结构的维修工作非常重要。传统的人工检测的准确度受个人专业经验影响，且效率低。
3、随着全球基础设施建设的不断增加，裂缝识别产品行业的市场规模呈现出增长趋势。政府和私人部门对基础设施的安全性和可靠性愈发重视，促使了对裂缝识别产品的需求增加。且当前基础设施的标准不断提高使得定期的检测和维护变得十分必要，这种政策的推动也促使裂缝识别产品行业的市场规模增长。
4、在工程应用方面，可部署在移动设备上的轻量级裂缝检测算法的需求正在逐渐扩大。但目前的检测算法大多以卷积神经网络和残差网络作为主要算法，然而这些算法存在计算成本高、检测准确率低的问题，导致他们无法在较高的检测精度和较低的计算成本之间取得平衡，也无法在计算能力和存储空间有限的嵌入式或移动设备上实现精确检测。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于改进yolov5的混凝土裂缝检测方法及系统，提出了一种基于yolov5改进的轻量级检测算法yolov5-dsc，可以在低功耗嵌入式设备上实现轻量级的高精度目标检测。
2、为了
3、本专利技术的第一个方面提供一种基于改进yolov5的混凝土裂缝检测方法，具体步骤包括：
4、获取具有混凝土结构的图像数据；
5、将所述图像数据输入至骨干网络进行特征提取，得到不同尺度的特征图；所述骨干网络中采用多个特征提取模型进行细粒化特征提取；
6、将不同尺度的特征图输入至颈部网络进行特征融合，得到融合后的不同尺度的特征图；
7、将所述融合后的不同尺度的特征图输入动态检测头，输出混凝土裂缝检测结果。
8、进一步的，所述骨干网络包括有效特征保留模块、有效特征提取模块和细粒化特征提取模块。
9、进一步的，所述有效特征保留模块采用传统的卷积、正则化和激活函数来保留特征。
10、进一步的，所述有效特征提取模块采用c3模块和卷积层提取大量有效特征。
11、进一步的，所述细粒化特征提取模块采用多个特征提取模型进行细粒化特征提取。
12、进一步的，所述特征提取模型包括有空间和通道重建卷积模块、解耦全连接注意力机制模块，通过通道分离操作，将输入的特征图在通道维一分为二，分别进入二者进行操作。
13、进一步的，所述颈部网络在yolov5的颈部网络基础上增加无参数的注意力机制模块和纤长式颈部结构。
14、本专利技术的第二个方面提供一种基于改进yolov5的混凝土裂缝检测系统，包括：
15、图像采集模块，其被配置为：获取具有混凝土结构的图像数据；
16、特征提取模块，其被配置为：将所述图像数据输入至骨干网络进行特征提取，得到不同尺度的特征图；所述骨干网络中采用多个特征提取模型进行细粒化特征提取；
17、特征融合模块，其被配置为：将不同尺度的特征图输入至颈部网络进行特征融合，得到融合后的不同尺度的特征图；
18、分类预测模块，其被配置为：将所述融合后的不同尺度的特征图输入动态检测头，输出混凝土裂缝检测结果。
19、本专利技术的第三个方面提供一种计算机可读存储介质。
20、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种基于改进yolov5的混凝土裂缝检测方法中的步骤。
21、本专利技术的第四个方面提供一种计算机设备。
22、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种基于改进yolov5的混凝土裂缝检测方法中的步骤。
23、与现有技术相比，本专利技术的有益效果是：
24、本专利技术提出了一种新颖的轻量级特征提取模型dsc_block，该模型将传统算法与深度学习结合，以解决在嵌入式设备上部署物体检测算法的问题。进而使用dsc_block替换了yolov5中的特征提取模块，在panet中加入了slimneck，并使用了动态检测头，以此构建了一个具有更高精度和更快检测速度的轻量化网络即yolov5-dsc目标检测算法，可部署在移动设备上进行混凝土裂缝检测。本专利技术还引入了simam无参数注意力机制，以增强网络模型的鲁棒性，并提高其对目标区域和基本特征的关注度。
25、本专利技术提出的yolov5-dsc目标检测算法中构建了一种新的特征提取模型dsc_block，在降低了计算量的同时增强了多尺度特征融合能力，并在transition_block的基础上加以改进，构建了st_layer，以保证内部在进行卷积操作提取高维特征时，最大限度减少特征信息的丢失。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5的混凝土裂缝检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于改进YOLOv5的混凝土裂缝检测方法，其特征在于，所述骨干网络包括有效特征保留模块、有效特征提取模块和细粒化特征提取模块。
3.如权利要求2所述的一种基于改进YOLOv5的混凝土裂缝检测方法，其特征在于，所述有效特征保留模块采用传统的卷积、正则化和激活函数来保留特征。
4.如权利要求2所述的一种基于改进YOLOv5的混凝土裂缝检测方法，其特征在于，所述有效特征提取模块采用C3模块和卷积层提取大量有效特征。
5.如权利要求2所述的一种基于改进YOLOv5的混凝土裂缝检测方法，其特征在于，所述细粒化特征提取模块采用多个特征提取模型进行细粒化特征提取。
6.如权利要求5所述的一种基于改进YOLOv5的混凝土裂缝检测方法，其特征在于，所述特征提取模型包括有空间和通道重建卷积模块、解耦全连接注意力机制模块，通过通道分离操作，将输入的特征图在通道维一分为二，分别进入二者进行操作。
7.如权利要求1所述的一种基于改进YOLO
8.一种基于改进YOLOv5的混凝土裂缝检测系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于改进YOLOv5的混凝土裂缝检测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于改进YOLOv5的混凝土裂缝检测方法中的步骤。
...【技术特征摘要】
1.一种基于改进yolov5的混凝土裂缝检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于改进yolov5的混凝土裂缝检测方法，其特征在于，所述骨干网络包括有效特征保留模块、有效特征提取模块和细粒化特征提取模块。
3.如权利要求2所述的一种基于改进yolov5的混凝土裂缝检测方法，其特征在于，所述有效特征保留模块采用传统的卷积、正则化和激活函数来保留特征。
4.如权利要求2所述的一种基于改进yolov5的混凝土裂缝检测方法，其特征在于，所述有效特征提取模块采用c3模块和卷积层提取大量有效特征。
5.如权利要求2所述的一种基于改进yolov5的混凝土裂缝检测方法，其特征在于，所述细粒化特征提取模块采用多个特征提取模型进行细粒化特征提取。
6.如权利要求5所述的一种基于改进yolov5的混凝土裂缝检测方法，其特征在于，所述特征提取...
【专利技术属性】
技术研发人员：李杨，马潇，
申请(专利权)人：山东省科学院自动化研究所，
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。