一种基于深度学习的轻量级道路缺陷检测方法、装置和介质制造方法及图纸

本发明专利技术提供了一种基于深度学习的轻量级道路缺陷检测方法、装置和介质，属于图像处理与目标检测技术领域。该方案通过构建轻量级道路缺陷检测模型，使用FasterNet模块替换Backbone网络中的卷积层，并引入了聚合多路坐标注意力机制(AMCA)和轻量级共享卷积检测头(LSCD)，有效提高了路面缺陷的检测精度和速度，同时减少了模型的参数量和计算量。改进后的YOLOv8模型在参数量、计算量、检测速度和精度上均有显著提升，满足了实时检测要求，并且适合在嵌入式设备上部署。

【技术实现步骤摘要】

本专利技术涉及一种基于深度学习的轻量级道路缺陷检测方法、装置和介质，属于图像处理与目标检测。

技术介绍

1、沥青路面破损会对道路的适用性产生不利影响。随着交通负荷和使用年限的增加，路面状况会迅速恶化，可能减少道路使用寿命，甚至危及行车安全。因此，交通机构应不断评估路面状况，并做出适当的养护规划决策。能够及时准确评估裂缝等路面状况的数量和严重程度的路面检测技术非常重要，因此受到了研究人员和交通机构的广泛关注。

2、传统的路面状况自动检测涉及使用边缘检测和图像阈值进行图像处理。裂缝是根据与背景相比的强度差所产生的边缘梯度变化来检测的，并通过阈值分割来提取。这种方法在很大程度上受到图像采集过程中环境的影响，包括光线条件。

3、随着机器学习和深度学习算法的快速发展，最先进的路面窘迫检测算法大都是基于卷积神经网络（cnn）的。cnn已从早期的 lenet 发展到 alexnet、vggnet、googlenet 和resnet。这些网络模型构成了物体检测算法的支柱，可生成特征图以获取图像特征。cnn可用于不同类型裂缝（横向和纵向）的图像分类。本文档来自技高网...

【技术保护点】

1.一种基于深度学习的轻量级道路缺陷检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的轻量级道路缺陷检测方法，其特征在于，标注类型包括道路缺陷，包括纵向裂缝、横向裂缝、网状裂缝、坑洼、道路修补。

3.根据权利要求1所述的基于深度学习的轻量级道路缺陷检测方法，其特征在于， 所述 Backbone 依次由第一FasterNet模块、第二FasterNet模块、第三FasterNet模块、第四FasterNet模块、第FasterNet模块、SPFF 模块、聚合多路坐标注意力机制组成，各模块之间依次为输入和输出关系。

4.根据权利要求1所述...

【技术特征摘要】

1.一种基于深度学习的轻量级道路缺陷检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的轻量级道路缺陷检测方法，其特征在于，标注类型包括道路缺陷，包括纵向裂缝、横向裂缝、网状裂缝、坑洼、道路修补。

3.根据权利要求1所述的基于深度学习的轻量级道路缺陷检测方法，其特征在于， 所述 backbone 依次由第一fasternet模块、第二fasternet模块、第三fasternet模块、第四fasternet模块、第fasternet模块、spff 模块、聚合多路坐标注意力机制组成，各模块之间依次为输入和输出关系。

4.根据权利要求1所述的基于深度学习的轻量级道路缺陷检测方法，其特征在于，fasternet模块依次包括pconv层、pwconv层、标准化层、激活层和pwconv层。

5.根据权利要求3所述的基于深度学习的轻量级道路缺陷检测方法，其特征在于，所述聚合多路坐标注意力机制如下：

6.根据权利要求5所述的基于深度学习...

【专利技术属性】
技术研发人员：高焕兵，王雪秋，刘蕾，鲁守银，王海鹏，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：