【技术实现步骤摘要】
本专利技术属于计算机视觉技术与交通运输工程领域，涉及道路病害检测方法，具体是一种基于yolov5轻量级道路病害检测方法。
技术介绍
1、随着信息技术和社会经济的发展，道路交通承载量、运输压力不断增加，道路建设与安全维护就成为道路养护的重要工作。由于路面荷载作用以及雨雪侵蚀等外部环境的影响下持续破坏道路结构，从而表现出不同程度的裂缝、龟裂和坑洼等常见的道路病害，导致道路使用寿命减少以及对驾驶安全构成潜在的威胁。因此，及时道路病害检测被认为是限制道路进一步退化和保持高质量道路的关键步骤之一。
2、传统道路病害检测是基于人工实地调查，具有手工测量方法的重复性和再现性较差、检测效率低、主观性强等缺点。随着道路建设的快速发展，难以满足城市道路的检测需求。发展到数字图像处理技术，利用基于传统图像处理检测算法对病害进行检测，但算法易受路面条件和光照的影响，无法正确区分背景和裂缝的边界。随着深度学习的发展，基于深度学习的目标检测与依赖先验性的特征提取算法相比，使用卷积神经网络自主提取特征能够有效的克服由于光线造成复杂多变的道路问题。也能在训练数据充足的条件下自动学习目标的特征，模型的泛化能力也更强。在实际道路环境中，道路病害检测主要存在以下问题：一方面，道路病害检测所收集的数据，都是由汽车、无人机等在移动状态下的照相机所拍摄而成，因此移动状态下的检测对象存在低分辨率、低清晰度以及光线不稳定等问题，从而影响检测精度。另一方面，道路病害表面存在细微裂缝、坑洼等，相较于其他目标尺度较小，不容易被检测出来，不但造成后期的病害恶化，也加大了养
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于，提供一种基于yolov5轻量级道路病害检测方法，以解决现有的道路病害检测方法因其检测的速度较慢而难以适用于嵌入式设备的道路病害识别的技术问题。
2、为了解决上述技术问题，本专利技术采用如下技术方案予以实现：
3、一种基于yolov5轻量级道路病害检测方法，具体包括以下步骤：
4、步骤1，获取道路病害数据集；
5、步骤2，对道路病害数据集进行预处理，将预处理后的道路病害数据集按比例划分为训练集、验证集和测试集；
6、步骤3，构建基于yolov5网络的检测模型；
7、所述的基于yolov5网络的检测模型包括依次相连的backbone、neck和head；
8、步骤4，将步骤2得到的训练集作为输入，将道路病害的类型信息和位置信息作为输出，训练步骤3构建的基于yolov5网络的检测模型，得到训练好的基于yolov5网络的检测模型，将训练好的基于yolov5网络的检测模型作为基于yolov5轻量级道路病害检测模型；
9、步骤5，将步骤2中得到的测试集和验证集输入至步骤4得到的基于yolov5轻量级道路病害检测模型中，输出道路病害实测数据集中每张图像对应的道路病害的类型信息和位置信息。
10、步骤2中，所述的基于yolov5网络的检测模型的具体结构如下：
11、所述的backbone包括依次相连的focus模块、第一ghost_cbs模块、spd模块、第一ghost_c3_1模块、第二ghost_cbs模块、spd模块、ghost_c3_2模块、第三ghost_cbs模块、spd模块、ghost_c3_3模块、第四ghost_cbs模块、spd模块、第二ghost_c3_1模块和sppf模块；
12、所述的neck包括与所述的ghost_c3_2模块相连的第二concat模块和第二ghost_c3_1_f模块、与所述的ghost_c3_3模块相连的第一concat模块、第一ghost_c3_1_f模块、第六ghost_cbs模块和第二upsampling模块以及与所述的sppf模块相连的第五ghost_cbs模块和第一upsampling模块；所述的第一concat模块与所述的第一upsampling模块相连，所述的第二concat模块与所述的第二upsampling模块相连；还包括与所述的第二ghost_c3_1_f模块相连的第一ghostconv模块、spd模块、第三concat模块、第三ghost_c3_1_f模块、第二ghostconv模块、spd模块、第四concat模块、第四ghost_c3_1_f模块；所述的第三concat模块与第六ghost_cbs模块和第二upsampling模块共同连接；所述的第四concat模块与所述的第五ghost_cbs模块和第一upsampling模块共同连接；
13、所述的head包括与所述的第一ghost_c3_1_f模块相连的第三ghostconv模块、与所述的第三ghost_c3_1_f模块相连的第四ghostconv模块以及与所述的第四ghost_c3_1_f模块相连的第五ghostconv模块。
14、步骤4具体包括以下步骤：
15、步骤4.1，将步骤2得到的训练集中的图像输入到backbone，得到底层特征、中层特征和高层特征；
16、步骤4.1.1，将步骤2得到的训练集中的图像输入到focus模块中，通过切片操作得到多个特征图；
17、步骤4.1.2，将步骤4.1.2得到的多个特征图输入到第一ghost_cbs模块、spd模块以及第一ghost_c3_1模块，得到初步特征；
18、步骤4.1.3，将步骤4.1.2得到的初步特征输入第二ghost_cbs模块、spd模块以及ghost_c3_2模块中，得到底层特征；
19、步骤4.1.4，将步骤4.1.3得到的底层特征输入第三ghost_cbs模块、spd模块以及ghost_c3_3模块中，得到中层特征；
20、步骤4.1.5，将步骤4.1.4得到的中层特征输入第四ghost_cbs模块、spd模块、第二ghost_c3_1模块和sppf模块中，得到高层特征；
21、步骤4.2，将步骤4.1得到的高层特征、中层特征和底层特征分别输入neck，分别得到第一融合特征、第二融合特征和第三融合特征；
22、步骤4.2.1，高层特征经过第五ghost_cbs模块和第一upsampling模块后与中层特征在第一concat模块融合，融合后的特征经过到第一ghost_c3_1_f模块、第六ghost_cbs模块和第二upsampling模块后与底层特征在第二concat模块融合，得到第一融合特征；
23、步骤4.2.2，将步骤4.2.1得到的第一融合特征经过第二ghost_c3_1_f模块和第一ghostconv模块和spd模块后，与中层特征在第三concat融合，得到第二融合特征；
24、步骤4.2.3本文档来自技高网...
【技术保护点】
1.一种基于YOLOv5轻量级道路病害检测方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的基于YOLOv5轻量级道路病害检测方法，步骤2中，所述的基于YOLOv5网络的检测模型的具体结构如下：
3.如权利要求2所述的基于YOLOv5轻量级道路病害检测方法，步骤4具体包括以下步骤：
4.如权利要求1所述的基于YOLOv5轻量级道路病害检测方法，所述的预处理为对道路病害数据集进行清洗以及去除道路病害数据集中未标记和其他类别的图像。
【技术特征摘要】
1.一种基于yolov5轻量级道路病害检测方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的基于yolov5轻量级道路病害检测方法，步骤2中，所述的基于yolov5网络的检测模型的具体结构如下：
3.如权利...
【专利技术属性】
技术研发人员：王伟，向婉妮，崔华，沈振海，席刘钢，刘佳欣，尹达，张旭，刘姝含，
申请(专利权)人：长安大学，
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。