[發明專利]一種基于改進YOLOv5的輕量化道路缺陷檢測方法

在審

• 申請號: 202210999034.0
• 申請日: 2022-08-19
• 公開（公告）號: CN115187583A
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 王毓;盧海鵬;王靜遠;吳至偉
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G06V10/764;G06V10/77;G06V10/774;G06V10/82
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 何靜

1.一種基于改進YOLOv5的輕量化道路缺陷檢測方法，其特征在于，所述檢測方法包括以下步驟：

步驟一：獲取道路缺陷檢測數據集GRDDC，用PASCAL VOC對數據進行標記；

步驟二：將YOLOv5模型的主干網絡用GhostNet輕量化網絡替代，將輸入圖像送入改進后的目標檢測模型中，通過主干網絡的特征提取，再經過加入注意力機制CA提高通道信息，進行特征增強，最后特征融合得到改進后的YOLOv5模型；

步驟三：引入了度量學習中的中心損失函數,對YOLOv5中的置信度損失和分類損失函數進行約束,得到新的損失函數。

步驟四：將道路缺陷檢測數據集中的訓練集圖像輸入步驟三中改進后的YOLOv5模型中進行訓并保存訓練過程中改進后的YOLOv5模型在測試集上檢測準確率，參數少，計算量最低的權重參數；

步驟五：將測試集中的圖像輸入改進后YOL0v5目標檢測模型中,得到該模型在測試集中的檢測結果。

2.根據權利要求1所述的一種基于改進YOLOv5的輕量化道路缺陷檢測方法，其特征在于，所述數據集劃分為訓練集,驗證集和測試集，訓練集用于對模型進行訓練；驗證集用于對模型的訓練情況進行反饋,并以模型在驗證集上的表現情況將模型的權重參數保存,用于在測試和推理檢測時進行加載；測試集則主要用于對訓練好的模型進行最終的評估。

3.根據權利要求2所述的一種基于改進YOLOv5的輕量化道路缺陷檢測方法，其特征在于，所述步驟二的對YOLOv5模型進行改進，使得原來網絡中大型參數量的模塊被替換掉的同時檢測精度相當，使用GhostNet模塊的同時在頸部網絡中加入了三組注意力機制CA，提高了網絡的精度。

4.根據權利要求3所述的一種基于改進YOLOv5的輕量化道路缺陷檢測方法，其特征在于，所述GhostNet模塊首先利用較少的卷積核對輸入的特征圖進行特征提取，然后利用Depth-wise convolution對各通道的特征圖Φ_i進行線性變換，得到Ghost特征圖；然后對Ghost特征圖和特征圖進行壓縮，生成最終特征圖；

所述GhostNet模塊有兩個堆疊的Ghost部分組成，一是Ghost-BottleNeck的擴展，主要作用是增加通道數量，進而增加特征圖的維度；二是減少特征圖的維度，Ghost-BottleNeck的擴展用的是ReLu激活函數保證數據后向傳播過程中梯度消失現象。

5.根據權利要求1所述的一種基于改進YOLOv5的輕量化道路缺陷檢測方法，其特征在于，所述注意力機制CA為了獲取圖像寬度和高度上的注意力并對精確位置信息進行編碼，先將輸入特征圖分為寬度和高度兩個方向分別進行全局平均池化，分別獲得在寬度和高度兩個方向的特征圖，公式如式(1)、式(2)所示：

然后把獲得的全局感受野的兩個方向拼接到一起，在送到1×1的卷積模塊中，使得它的維度降低到原來的C/r，然后經過BN層處理后的特征圖送入Sigmoid激活函數中得到f,f時包含縱向和橫向的空間信息的中間特征，公式如式(3)所示：

f＝δ(F₁([z^h,z^w])) (3)

在經過卷積核為1×1的卷積得到通道數于原來一樣的特征圖，最后經過激活函數后分別得到特征圖在高度和寬度上的注意力權重和在寬度方向的注意力權重，公式如式(4)(5)所示：

g^h＝σ(F_h(f^h)) (4)

g^w＝σ(F_w(f^w)) (5)

最后在原始特征圖上通過乘法加權計算，將得到最終在寬度和高度方向上帶有注意力權重的特征圖，輸入特征圖維度，表達式如下：