一种基于YOLOv8n模型的沥青路面病害检测方法与流程

本发明涉及计算机图像检测识别领域，具体涉及一种基于yolov8n模型的沥青路面病害检测方法。

背景技术：

1、道路网络对于经济发展至关重要，因此必须投入足够资源来维护和改善交通基础设施。路面裂缝作为一种常见的道路病害，对道路安全和驾驶舒适性产生负面影响。为了及时检测和修复这些裂缝，需要采取有效措施。否则，道路网络可能无法满足未来需求，对经济发展产生负面影响。因此，对道路病害进行及时检测对于预防和维护交通道路的安全至关重要。必须在道路病害检测方向上进行研究，以确保道路网络能够适应未来的挑战。

2、道路病害目标检测技术主要分为传统目标检测算法和基于深度学习的算法。传统裂缝检测方法多依赖于人工检测或提取特征识别路面病害的图像分割技术。然而，这些方法严重依赖于人工特征提取，在复杂多变的道路环境中由于难以使用统一的特征模型来有效提取裂缝特征，导致检测鲁棒性较差。近年来，随着深度学习技术的快速发展，目标检测技术取得了显著进展。目标检测技术主要分为两阶段算法和单阶段算法。基于深度学习的目标检测算法发展迅速，根据检测阶段的数量不同分为两类。一类是两阶段检测算法，需要生成候选区域，再对候选区域进行识别，存在检测时间过长、不能满足实时需求等问题。另一类是单阶段检测算法，包括yolo系列、单发多框检测器和超特征卷积神经网络等。在路面检测方面，存在基于单发多框检测器算法的卷积神经网络(cnn)，估计路面病害位置与边界，最高平均准确率达到88.4％。然而，使用卷积神经网络的检测方法，网络设计复杂，参数量庞大，不利于移动端部署。现有方法将底层特征融合到顶层特征中，提高对中小目标的检测性能，但对模型性能的提升并不明显。随着关注像素重要特征的注意力机制应用于神经网络，提出了使用平衡特征金字塔网络加入通道注意力的方法，提升yolov5对小目标的检测效果。然而，在特征融合时仍然无法很好地传递位置信息。提出改进yolov3的矿石输送带杂物检测方法，引入cbam注意力机制。然而，该注意力机制依次进行通道和空间注意力操作，忽略了通道与空间的相互作用，丢失了跨维信息。

技术实现思路

1、针对现有技术中的上述不足，本发明提供了一种基于yolov8n模型的沥青路面病害检测方法，解决传统神经网络对沥青路面病害检测的低精度与网络模型过大的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于yolov8n模型的沥青路面病害检测方法，包括以下步骤：

4、s1、获取研究路段的沥青路面病害数据集，并将其划分为沥青路面病害数据训练集与沥青路面病害数据验证集；

5、s2、在yolov8n网络模型的骨干网络端引入全局注意力模块，在颈部网络端引入增加鬼网络的跨阶段网络瓶颈模块与全局上下文网络模块，构建改进的yolov8n网络模型，用于对沥青路面病害进行预测；

6、s3、将步骤s1中沥青路面病害数据训练集输入步骤s2中构建的改进的yolov8n网络模型进行训练，得到训练好的改进的yolov8n网络模型；

7、s4、将步骤s1中沥青路面病害数据验证集输入步骤s3中得到的训练好的改进的yolov8n网络模型对沥青路面病害进行检测，获取有病害的沥青路段。

8、本发明具有以下有益效果：

9、1.本发明所提出的一种基于yolov8n模型的沥青路面病害检测方法，在改进的yolov8n网络模型的颈部网络端引入增加鬼网络的跨阶段网络瓶颈模块，实现了网络轻量化，显著减小了网络模型参数量，提升了模型检测性能；

10、2.在改进的yolov8n网络模型的颈部网络端引入全局上下文网络模块，提升了对不同大小物体的检测能力，同时减少了计算量；

11、3.在改进的yolov8n网络模型的骨干网络端引入全局注意力模块，通过引入注意力机制提高了特征表达性能，增强了检测精度；

12、4.采用wiseiou损失函数，提高了模型检测沥青路面病害的整体速度与精度；

13、5.利用改进的yolov8n网络模型对沥青路面病害进行检测，不仅具有卓越的检测精度，同时模型减少了模型体积，降低了成本。

技术特征：

1.一种基于yolov8n模型的沥青路面病害检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，步骤s1具体包括：

3.根据权利要求1所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，改进的yolov8n网络模型具体包括：

4.根据权利要求3所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，骨干网络端包括依次连接的第一卷积层模块、第一跨阶段网络瓶颈模块、第二跨阶段网络瓶颈模块、第三跨阶段网络瓶颈模块、多尺度特征聚合金字塔模块以及全局注意力模块；

5.根据权利要求4所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，全局注意力模块包括依次连接的通道注意力模块与空间注意力模块，空间注意力模块包括多个卷积层。

6.根据权利要求3所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，颈部网络端包括上采样模块、连接模块、增加鬼网络的跨阶段网络瓶颈模块、全局上下文网络模块、第二卷积层模块；

7.根据权利要求6所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，第一增加鬼网络的跨阶段网络瓶颈模块、第二增加鬼网络的跨阶段网络瓶颈模块、第三增加鬼网络的跨阶段网络瓶颈模块、第四增加鬼网络的跨阶段网络瓶颈模块分别包括多个增加鬼网络的瓶颈块。

8.根据权利要求4或6所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，步骤s3具体包括：

9.根据权利要求8所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，步骤s34具体包括：

10.根据权利要求9所述的基于yolov8n模型的沥青路面病害检测方法，其特征在于，引入wiseiou损失函数对生成的目标框位置进行调整的公式为：

技术总结
本发明涉及计算机图像检测识别领域，公开了一种基于YOLOv8n模型的沥青路面病害检测方法，包括以下步骤：获取研究路段的沥青路面病害数据集，并将其划分为训练集与验证集；在YOLOv8n网络模型的骨干网络端引入全局注意力模块，在颈部网络端引入增加鬼网络的跨阶段网络瓶颈模块与全局上下文网络模块，构建改进的YOLOv8n网络模型；将训练集输入改进的YOLOv8n网络模型进行训练，得到训练好的改进的YOLOv8n网络模型；将验证集输入改进的YOLOv8n网络模型对沥青路面病害进行检测，获取有病害的沥青路段；该方法利用改进的YOLOv8n网络模型对沥青路面病害进行检测，不仅提高了检测精度，还实现了网络轻量化，减小了模型参数量，提升了模型检测性能，同时也减少了计算量与模型体积，降低了成本。

技术研发人员：张永辉,吐尔逊·买买提,邱建卓,汤先立,韦鸣镝,何春喜,阿依古丽·亚库甫江
受保护的技术使用者：新疆公路桥梁试验检测中心有限责任公司
技术研发日：
技术公布日：2024/6/26