【技术实现步骤摘要】
本专利技术涉及缺陷图像处理，更具体地说，涉及基于改进yolov10网络的道路缺陷检测方法。
技术介绍
1、在20世纪中期，一些机械设备开始应用于道路检测。例如，路面平整度测量仪和表面摩擦系数测量仪等设备被用于检测道路表面的状况。这些机械检测方法比人工检测更高效，但仍存在一定的局限性，如覆盖范围有限，检测速度较慢等。进入21世纪后，图像处理和计算机视觉技术迅速发展，为道路缺陷检测提供了新的手段。通过安装在车辆或无人机上的高分辨率摄像头，实时捕捉道路图像和视频，结合图像处理算法，可以自动检测并分类道路缺陷，图像预处理技术如灰度化、滤波、边缘检测和形态学处理等，被广泛应用于提高图像质量和突出道路缺陷特征。这些技术帮助解决了图像中的噪声和光照变化问题，使得后续的检测算法能够更准确地识别缺陷。
2、近年来，机器学习和深度学习算法在图像分类和目标检测中的成功应用，极大地推动了道路缺陷检测技术的发展。传统的机器学习方法如支持向量机(svm)和随机森林等，被用于从预处理后的图像中提取特征并进行分类。而深度学习方法如卷积神经网络(cnn)，则...
【技术保护点】
1.基于改进YOLOv10网络的道路缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进YOLOv10网络的道路缺陷检测方法，其特征在于，所述步骤2中，C2f-MCA模块中首先包括第一个卷积层cv1，以接收数据；随后将cv1的输出按照通道维度分成相等的两部分，其中一个部分直接传递给Concat层，另一个部分传给Split，Spl it的输出也按照通道维度分成相等的两部分，一部分直接传递给Concat层，另一部分经过2个Bottleneck模块的处理；C2f-MCA在网络中每重复3次，使用1个Bottleneck模块，共重复6次使用C2f-MC...
【技术特征摘要】
1.基于改进yolov10网络的道路缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进yolov10网络的道路缺陷检测方法，其特征在于，所述步骤2中，c2f-mca模块中首先包括第一个卷积层cv1，以接收数据；随后将cv1的输出按照通道维度分成相等的两部分，其中一个部分直接传递给concat层，另一个部分传给split，spl it的输出也按照通道维度分成相等的两部分，一部分直接传递给concat层，另一部分经过2个bottleneck模块的处理；c2f-mca在网络中每重复3次，使用1个bottleneck模块，共重复6次使用c2f-mca模块；bottleneck模块接收数据后，按照通道维度分成相等的两部分，一部分直接传递给concat层，另一部分经过两个卷积层的卷积后，将数据传给mca模块进行计算，后传递给concat层；接下来，concat层将接收到的结果进行通道维度上的拼接；最后再经过第二个卷积层cv2得到输出。
3.根据权利要求2所述的基于改进yolov10网络的道路缺陷检测方法，其特征在于，所述步骤2中，mca模块包括：首先对输入数据进行残差提取；然后对残差提取数据进行三分支处理，三分支分别对高度、宽度和通道数三个维度的注意力进行建模，建模过程先后包括维度变换操作、挤压变换、平均池化和标准差池化、卷积、激励变换、卷积、维度变换、权重相乘操作；接下来，对不同分支数据进行维度变换，使得维度统一；最后，对分支输出的数据进行加权求和并获得最终mca模块的输出。
4.根据权利要求1所述的基于改进yolov10网络的道路缺陷检测方法，其特征在于，所述步骤3中，bdi模块是使用多层次特征融合模块sdi替代原模型的concat层，并在其中加入了双向特征融合；具体为：首先，接收一个包含各层通道的列表channels，根据channels的元素个数确定卷积层个数，并初始化融合权重、swish激活函数和卷积层convs；然后，接收一个特征图列表xs，计算权重，并进行前向特...
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。