【技术实现步骤摘要】
本申请属于道路病害检测，尤其涉及一种道路病害的检测方法、装置、电子设备及存储介质。
技术介绍
1、随着城市化进程的不断推进和交通运输任务的日益增长，道路作为基础设施的重要组成部分，它承载着巨大的交通压力。然而，在道路使用过程中，由于多种因素的影响，如自然环境、交通荷载、材料老化等，道路结构会逐渐出现各种病害，如裂缝、坑槽、沉陷等。这些病害不仅会影响道路的通行安全和舒适性，还会降低道路的使用寿命，增加维修成本，因此，道路病害诊断显得尤为重要，随着科技的不断进步和创新，道路病害诊断技术也在不断发展。相关技术中，采用人工巡检和实地勘察的方法来对道路进行检测，存在效率低下，且检测不够准确。
技术实现思路
1、针对上述问题，本申请实施例提供了一种道路病害的检测方法、装置、电子设备及存储介质，能够较为准确地对道路的病害进行检测，且能够提高检测效率。
2、本申请实施例提供了一种道路病害的检测方法，包括:
3、获取道路的图像信息；
4、将所述图像信息输入至预先建立的目标检测模型中，确定所述道路中病害的类型和预测框；
5、基于所述预测框确定所述病害的尺寸参数；
6、基于所述类型和所述尺寸参数确定所述病害的程度；
7、基于所述类型、所述尺寸参数和所述程度输出所述道路的检测报告。
8、在一些实施例中，所述方法还包括：
9、获取样本数据集，所述样本数据集中的每个样本数据包括：样本图像及样本图像对应的类型和预测框
10、基于所述样本数据集对初始目标检测模型进行训练，得到所述目标检测模型。
11、在一些实施例中，所述目标检测模型包括：改进的yolov8s模型，所述改进的yolov8s模型包括：主干网络、颈部网络和检测头，所述主干网络包括：深度可分离卷积和/或改进的c2f模块，所述改进的c2f模块中加入有注意力机制，所述颈部网络用于连接所述主干网络和所述检测头，所述检测头采用解耦头设计。
12、在一些实施例中，所述颈部网络包括：卷积模块、第一特征增强模块和第二特征增强模块，所述卷积模块的输入为改进的c2f模块的输出，所述卷积模块的输出为第一特征增强模块的输入，所述第一特征增强模块的输出为第二特征增强模型的输入，所述第二特征增强模型的输出为检测头的输入。
13、在一些实施例中，所述基于所述样本数据集对初始目标检测模型进行训练，得到所述目标检测模型，包括：
14、将样本数据集划分为训练集和测试集；
15、基于所述训练集对所述初始目标检测模型进行训练，并通过测试集对训练的初始目标检测模型进行测试得到评价指标；
16、在所述评价指标满足最佳要求的情况下，将训练后的初始目标检测模型确定为所述目标检测模型。
17、在一些实施例中，所述图像信息通过采集设备进行拍摄，所述基于所述预测框确定所述病害的尺寸参数，包括：
18、获取所述采集设备的内参矩阵和外参矩阵；
19、基于所述内参矩阵和所述外参矩阵及所述预测框的角点在像素坐标系的坐标确定所述预测框的角点在世界坐标系下的坐标；
20、基于所述角点在世界坐标系下的坐标计算所述病害的尺寸参数。
21、在一些实施例中，基于所述类型和所述尺寸参数确定所述病害的程度，包括：
22、获取预先建立的对应关系，其中，所述对应关系中包括：程度与尺寸参数、类型之间的对应关系；
23、将所述类型和所述尺寸参数与所述对应关系中的尺寸参数、类型进行匹配，以确定所述病害的程度。
24、本申请实施例提供一种道路病害的检测装置，包括:
25、获取模块，用于获取道路的图像信息；
26、第一检测模块，用于将所述图像信息输入至预先建立的目标检测模型中，确定所述道路中病害的类型和预测框；
27、第二检测模块，用于基于所述预测框确定所述病害的尺寸参数；
28、第三检测模块，用于基于所述类型和所述尺寸参数确定所述病害的程度；
29、输出模块，用于基于所述类型、所述尺寸参数和所述程度输出所述道路的检测报告。
30、本申请实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
31、本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
32、本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得电子设备执行上述任一项所述的方法。
33、本申请实施例提供的一种道路病害检测方法、装置、电子设备及存储介质，通过获取道路的图像信息；将所述图像信息输入至预先建立的目标检测模型中，确定所述道路中病害的类型和预测框；基于所述预测框确定所述病害的尺寸参数；基于所述类型和所述尺寸参数确定所述病害的程度；基于所述类型、所述尺寸参数和所述程度输出所述道路的检测报告，能够较为准确地对道路的病害进行检测，且能够提高检测效率。
本文档来自技高网...【技术保护点】
1.一种道路病害的检测方法，其特征在于，包括:
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述目标检测模型包括：改进的YOLOv8s模型，所述改进的YOLOv8s模型包括：主干网络、颈部网络和检测头，所述主干网络包括：深度可分离卷积和/或改进的C2F模块，所述改进的C2F模块中加入有注意力机制，所述颈部网络用于连接所述主干网络和所述检测头，所述检测头采用解耦头设计。
4.根据权利要求3所述的方法，其特征在于，所述颈部网络包括：卷积模块、第一特征增强模块和第二特征增强模块，所述卷积模块的输入为改进的C2F模块的输出，所述卷积模块的输出为第一特征增强模块的输入，所述第一特征增强模块的输出为第二特征增强模型的输入，所述第二特征增强模型的输出为检测头的输入。
5.根据权利要求2所述的方法，其特征在于，所述基于所述样本数据集对初始目标检测模型进行训练，得到所述目标检测模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述图像信息通过采集设备进行拍摄，所述基于所述预测
7.根据权利要求1所述的方法，其特征在于，基于所述类型和所述尺寸参数确定所述病害的程度，包括：
8.一种道路病害的检测装置，其特征在于，包括:
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种道路病害的检测方法，其特征在于，包括:
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述目标检测模型包括：改进的yolov8s模型，所述改进的yolov8s模型包括：主干网络、颈部网络和检测头，所述主干网络包括：深度可分离卷积和/或改进的c2f模块，所述改进的c2f模块中加入有注意力机制，所述颈部网络用于连接所述主干网络和所述检测头，所述检测头采用解耦头设计。
4.根据权利要求3所述的方法，其特征在于，所述颈部网络包括：卷积模块、第一特征增强模块和第二特征增强模块，所述卷积模块的输入为改进的c2f模块的输出，所述卷积模块的输出为第一特征增强模块的输入，所述第一特征增强模块的输出为第二特征增强模型的输入，所述第二特征增强模型的输出为检测头的输入。
5....
【专利技术属性】
技术研发人员：王鹏，陈尚，韩冰冰，王鹏飞，刘加美，
申请(专利权)人：深圳市锐明像素科技有限公司，
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。