一种基于YOLO-V5的路面损坏状况检测方法和装置

本发明涉及图像处理检测，特别是涉及一种基于yolo-v5的路面损坏状况检测方法和装置。

背景技术：

1、近年来，风吹日晒等自然因素和人类的行为对公路的安全造成严重影响，因此在公路设施的保养和维护方面投入大量的资金。使用更加科学精确的方法有助于减少在公路养护方面的资金开支。

2、目前应用最广泛的是摄像测量法。摄像测量法是一种基于图像处理的检测技术。它通过在测定汽车上安装特种快速或高速摄像机，按一定速度与摄像角度拍摄路面，将路面上的各种病害(如裂缝、坑洞等)录入摄像带。随后，在现场或室内通过图像分析算法快速处理成数据，以评估路面的损坏情况。虽然摄像测量法可以实现图像的自动拍摄和初步处理，但在后续的图像分析和病害识别阶段，往往还需要人工干预或借助复杂的算法。这在一定程度上限制了该方法的自动化程度，增加了人力成本和时间成本。特别是在处理大规模图像数据时，人工判读和标注的工作量巨大，容易出现疲劳和误判等问题。

3、随着数字图像处理技术的发展，维修人员使用对道路人工巡检的方法进行路面破损检测的时代已经成为过去时，当前国内外都开始使用具备道路检测摄像头设备的汽车对数据进行大规模采集。相比于使用人工巡检的方法，使用高速公路监控探头不仅降低时间成本，还可以节省人力成本。因此使用更加精确的采集数据方法对道路破损检测的效率提升具有至关重要的作用。yolo-v5虽然在小目标检测上有所改进，但其对小尺寸损坏的敏感度仍然有限。由于小目标在图像中的特征信息较少，模型可能难以准确捕捉和识别这些小损坏；在损坏密集的区域，目标之间的遮挡和重叠现象较为严重，这增加了检测的难度；yolo-v5在处理复杂场景时，可能会出现重叠框、漏检或误检的情况。损坏的形状和纹理往往复杂多变，这对模型的泛化能力提出了较高的要求；yolo-v5在处理形状和纹理变化较大的损坏时，可能会出现检测不准确的情况。

技术实现思路

1、本发明的目的是提供一种基于yolo-v5的路面损坏状况检测方法和装置，提高对小目标的检测能力，改善密集场景下的检测效果并提升模型的鲁棒性和泛化能力，从而减少了漏检和错检现象。

2、为实现上述目的，本发明提供了如下方案：

3、一方面提供了一种基于yolo-v5的路面损坏状况检测方法，包括：

4、采集实时路面图像数据；

5、将所述实时路面图像数据输入路面损坏状况检测模型，检测是否存在路面破损，若存在路面破损则输出损坏类型及坐标信息；其中，所述路面损坏状况检测模型通过yolo-v5模型结合cbam注意力机制和检测层构建，并基于模型训练数据训练获得，所述模型训练数据包括含有路面损坏信息标记的影像。

6、可选的，获取所述模型训练数据包括：

7、采集路面图像数据，对所述路面图像数据进行筛选，获取包含路面损坏信息的图像数据；

8、对所述包含路面损坏信息的图像数据进行框选、做标签和命名操作，获取所述模型训练数据。

9、可选的，获取包含路面损坏信息的图像数据后包括：对包含路面损坏信息的图像数据进行数据增强和图像增强；

10、所述数据增强包括：对所述包含路面损坏信息的图像数据进行翻转、平移、旋转、缩放以及添加噪声；

11、所述图像增强包括：加噪声、改变亮度、裁剪、平移、旋转、镜像、cutout。

12、可选的，所述路面损坏状况检测模型包括：

13、将所述yolo-v5模型原始的卷积层或模块替换为包含cbam注意力机制的卷积层或模块；

14、在所述yolo-v5模型输出层增加检测层。

15、可选的，将所述yolo-v5模型原始的卷积层或模块替换为包含cbam注意力机制的卷积层或模块包括：在所述yolo-v5模型backbone部分的最后一层c3模块采用cbam注意力机制模块。

16、可选的，将所述实时路面图像数据输入路面损坏状况检测模型，输出损坏类型及坐标信息包括：

17、将所述实时路面图像数据输入backbone中进行预处理和下采样，输入不同尺度的特征图；

18、将所述不同尺度的特征图输入neck进行特征融合，将融合的特征图输入所述检测层，输出损坏类型及坐标信息。

19、可选的，输出损坏类型及坐标信息后包括：将检测到的路面损坏状况信息实时反馈至监控中心或相关维护部门。

20、另一方面还提供了一种基于yolo-v5的路面损坏状况检测装置，包括：监控探头和检测模块；

21、所述监控探头，用于采集实时路面图像数据；

22、所述检测模块，用于将所述实时路面图像数据输入路面损坏状况检测模型，检测是否存在路面破损，若存在路面破损则输出损坏类型及坐标信息；其中，所述路面损坏状况检测模型通过yolo-v5模型结合cbam注意力机制和检测层构建，并基于模型训练数据训练获得，所述模型训练数据包括含有路面损坏信息标记的影像。

23、本发明的有益效果为：

24、(1)本发明在backbone部分的最后一层c3模块采用cbam注意力机制模块，结合注意力模块(cam)和空间注意力模块(sam)，提高了模型在复杂环境下的提取能力和表达能力。在neck部分将80的特征图经过采样变成160，与backbone中160的特征图相加，从而提高了对小目标的检测能力，改善密集场景下的检测效果并提升了模型的鲁棒性和泛化能力，从而减少了漏检和错检现象。

25、(2)通过自动化和远程监控的方式进行高速公路路面状况的巡检，可以有效提高巡检的效率，自动识别出需要检修的路面，并优先处理，从而提高道路运维部门的巡检效率，不仅节省了人力资源，还能在发现问题初期就进行干预，大大降低了因发生交通事故的概率。

26、(3)yolo-v5模型具有极高的检测速度，能够达到140fps(每秒帧数)，能够在极短的时间内处理大量的图像数据，实现路面状况的实时检测。这对于需要即时反馈的路面状况监控管理有着至关重要的作用。改进后的yolo-v5模型能够捕获到不同尺度的路面损坏特征，从而提高对小目标和密集区域损坏的检测精度，引入的卷积块注意力模块(cbam)等注意力机制，能够增强模型对损坏区域的特征提取能力，进一步提升检测精度。yolo-v5模型本身就具有较快的检测速度，而改进后的模型通过优化网络结构和计算流程，能够在保持高精度的同时进一步提升实时性。这使得模型能够满足实时路面损坏检测的需求。在高速公路等交通繁忙的场景中，实时检测路面状况(如裂缝、坑洼、障碍物等)能够确保交通安全和畅通。yolo-v5的高速实时检测能力为这一需求提供了有力保障。

27、(4)相比于其他复杂的检测模型，yolo-v5的模型更小，参数更少，这使得它更易于在移动端和嵌入式设备上部署。在高速探头等硬件资源有限的场景下，这一优点尤为重要。并且yolo-v5支持多种编程语言和平台，如python、pytorch等。这使得用户可以根据实际需求快速部署和定制检测系统。