一种基于YOLOv8改进的道路裂缝检测方法

本发明属于目标检测和深度学习，涉及一种基于yolov8改进的道路裂缝检测方法。

背景技术：

1、公路作为基础设施建设，是国家经济快速发展的重要工程，完善的公路网可以促进经济和社会的发展。因此，各国政府每年投入大量预算来建设和维护道路，以促进城市不同区域和城市之间的交通。由于天气变化、道路老化和交通事故等各种原因，道路容易受到损坏，而裂缝是最常见的道路损坏之一，裂缝的出现说明道路的结构受到了不同程度的破坏，不仅会加速道路内部的破坏和降低道路的抗拉程度，而且会对车辆行驶安全构成潜在威胁，因此政府需要对道路进行定期评估和检测。

2、传统的路面检测方法大多为人工检测，然而，人工检测不仅费时费力，而且其检测结果也容易受到不同检查员的主观意识的影响。随着图像处理技术和深度学习的发展，相较于传统的人工检测，自动目标检测技术的效率和精确的得到了极大地提高，且不容易受到人为因素的干扰。基于深度学习的目标检测能够很好地提取目标特征并分类，具有检测速度快、精度高、自适应性强等优点，引入了端到端和数据驱动思想。其主要应用了卷积神经网络对目标特征的提取和分类功能，特征前向传播及权值共享等方法，大大降低了模型的复杂度。kim等人介绍了一种用于混凝土结构的新型裂缝评估框架，该框架使用掩码和基于位置的完全卷积神经网络（mask r-cnn）检测裂缝，并使用检测到的裂缝掩码上的一些形态学操作来量化裂缝。bang等人提出了基于深度学习的检测，通过采用结构光和深度相机对结构损伤进行量化。此外，li等人提出了一种完全基于更快的基于区域的卷积神经网络（faster r-cnn）的多层特征融合网络，以获得自动化的隧道表面缺陷检测。近年来也有许多专家使用yolo系列算法来实现道路裂缝的实时检测，但仍存在精度不高和难以部署的问题。所以，本发明致力于探索一种能够准确检测道路裂缝的目标检测模型。

技术实现思路

1、针对以上问题，本发明提供了一种基于yolov8改进的道路裂缝检测方法，能对道路裂缝进行检测和自动分类，并帮助用户得到裂缝检测结果。所述方法包括以下步骤：

2、步骤s1、引入道路裂缝数据集，对标注文件的格式进行转换和去除标注错误的图片，划分道路裂缝图像的训练集和验证集；

3、步骤s2、通过在c2f模块中引入可变形卷积模块dcn v2构建c2f_dcn模块，结合ca注意力机制优化yolov8目标检测算法，构建基于改进yolov8的道路裂缝检测方法；

4、步骤s3、将训练集输入到改进yolov8模型中进行训练，得到道路裂缝检测模型；

5、步骤s4、将测试集输入到所述的道路裂缝检测模型，得到道路裂缝检测结果。

6、所述步骤s1具体包括：

7、s11、利用grddc2020道路裂缝图像公开数据集，将其按照8：2的比例分为训练集和验证集；

8、所述步骤s2具体包括：

9、s21、将通过可变卷积模块dcnv2构建c2f模块形成的c2f_dcn模块引入到yolov8的颈部网络中，得到特征融合网络；

10、s21、将所述的ca注意力机制引入至yolov8的特征提取网络中的最后一层，得到目标特征提取网络；

11、所述c2f_dcn模块的构建步骤s3具体包括：

12、s31、c2f模块包括依次连接卷积conv模块、split模块，n个并行连接的bottleneck模块以及卷积conv模块，引入dcn v2_bottleneck模块替代原有的bottleneck模块；

13、s32、将输入的图像信息通过一个卷积层后，将通道数平均分成两份。其中一半通道数的图像信息通过dcn v2_bottleneck模块处理，另外一半通道数的图像信息则以残差方式与处理后的信息拼接。最后，将拼接后的信息通过一个卷积层进行处理。

14、所述的ca注意力模块引入yolov8主干网络中的最后一层，得到特征提取网络。

15、所述将所述训练集输入所述网络模型进行迭代训练步骤s4包括：

16、s41、将所述训练集输入所述网络模型中，并通过sgd优化器对所述网络模型进行200的轮迭代训练，直至所述网络模型收敛，得到目标网络模型。

17、s42、将所述测试集输入所述目标网络模型中，得到道路裂缝检测结果。

技术特征：

1.一种基于yolov8改进的道路裂缝检测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1中所述的一种基于yolov8改进的道路裂缝检测方法，其特征在于，所述步骤s1具体包括：

3.根据权利要求1中所述的一种基于yolov8改进的道路裂缝检测方法，其特征在于，所述步骤s2具体包括：

4.根据权利要求3中所述的一种基于yolov8改进的道路裂缝检测方法，其特征在于，所述c2f_dcn模块的构建步骤s3具体包括：

5.根据权利要求3或4中所述的一种基于yolov8改进的道路裂缝检测方法，其特征在于，所述的ca注意力模块引入yolov8主干网络中的最后一层，得到特征提取网络。

6.根据权利要求3或4中所述的一种基于yolov8改进的道路裂缝检测方法，其特征在于，所述将所述训练集输入所述网络模型进行迭代训练步骤s4包括：

技术总结
本发明公开了一种基于YOLOv8改进的道路裂缝检测方法，属于图像目标检测领域，所述方法包括：对道路裂缝图像进行预处理，将预处理后的道路裂缝图像划分为训练集和验证集；将DCNv2模块引入到C2f模块中构建C2f_DCN模块，并将所述模块引入到颈部网络中，得到特征融合网络；在YOLOv8模型的骨干网络中引入CA注意力机制模块，得到特征提取网络；将训练集输入网络模型进行迭代训练，得到目标网络模型；将测试集输入到目标网络模型中进行测试，得到模型检测结果和性能评价结果。与其他主流的目标检测算法比较，本发明方法算法以较低的模型复杂度实现了较高的检测精度，并且可准确地自动标注出道路图像中存在的裂缝和对识别出的裂缝进行自动分类。

技术研发人员：谢浩轩,董明刚,卢贤睿,刘文章,杭天,吴博瀚
受保护的技术使用者：桂林理工大学
技术研发日：
技术公布日：2024/12/10