申请/专利权人：长沙理工大学

申请日：2024-03-19

公开（公告）日：2024-06-18

公开（公告）号：CN118212572A

主分类号：G06V20/50

分类号：G06V20/50;G06V10/80;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：本发明涉及一种基于改进YOLOv7的道路损坏检测方法，在YOLOv7的主干网络中插入了三个新的注意力模块CSSAM以用来更好地捕捉关键特征和建模数据之间的复杂依赖关系，通过显式地对空间和通道维度的相似性矩阵建模，得到空间和通道注意力分数矩阵，将注意力分数矩阵进行处理之后作用在输入特征上，用来更好地捕获空间和通道维度上的长距离依赖关系。同时为了加强主干网络的特征提取能力，并通过捕获更多信息特征来加速网络的收敛，在主干网络中构建了新的ResNet‑SPConv残差块和SP‑E‑ELAN网络聚合层。本发明所改进的YOLOv7‑RD网络模型提升了在道路损坏领域的检测精度，同时部署起来非常方便，具有较强的工业实用性。

主权项：1.一种基于改进YOLOv7的道路损坏检测方法，其特征在于，包括如下内容：步骤1：建立道路损坏图像数据集，对图像数据集进行预处理后，进行训练集、验证集和测试集的划分；步骤2：构建YOLOv7-RD网络模型；YOLOv7-RD网络模型是在YOLOv7的主干网络中插入2个ResNet-SPConv模块，将所有E-ELAN层中的BConv卷积块后添加一个SPConv卷积块，并在颈部网络中插入2个CSSAM注意力机制模块所得到；步骤3：从训练集中选取图像输入YOLOv7-RD网络模型进行训练，头部网络的ResNet-SPConv模块会对图像进行特征提取，将特征划分为冗余特征和重要特征，对于冗余特征进行自适应抑制，学习图像中更多的非线性映射；步骤4：从训练集中选取图像输入YOLOv7-RD网络模型处理，每张图片在主干网络产生特定尺度的有效特征图，再输入颈部网络进行信息融合，CSSAM模块由并联的2条通路构成，其中一条通路用来处理空间的特征信息，另一条处理通道的特征信息，通过对空间和通道显示地建模来捕获不同维度的长远距离依赖，对图像信息进行特征加权；步骤5：使用Kmeans++聚类算法将图像数据集中的扩展织物图像上的所有目标GT框进行聚类，得到K个先验框，将K个先验框均匀分布，根据训练预测特征图对K个先验框进行调整，每个先验框均经调整获得一个训练预测框，根据目标GT框选取若干个训练预测框作为训练候选框；步骤6：根据训练预测特征图、调整后的候选框与目标GT框的差异计算出YOLOv7-RD网络模型的整体分类和回归损失，并将整体损失值反向传播至YOLOv7-RD网络模型中，并使用梯度下降法更新YOLOv7-RD网络模型的参数，获得参数更新的YOLO-RD网络模型；步骤7：重复步骤3至步骤6对训练集中的每张图像进行处理，当次选取的图像经步骤4输出后，均重复步骤5和步骤6对YOLO-RD网络模型进行参数更新，直到训练集中的所有图像均训练完毕，参数更新后的YOLO-RD网络模型可作为预训练模型；步骤8：将验证集中的道路损坏图像输入到预训练模型中进行处理，与步骤4中训练集进行相同操作后，得到对应阶层的验证预测特征图；每张输出的验证预测特征图与步骤5中训练预测特征图进行相同操作，输出验证预测框，根据验证预测框与目标GT框计算验证集损失，并计算道路损坏图像数据集中各类损坏情况在经过预训练模型处理后的单个类别平均精确度AP和所有类别的平均精确度mAP；步骤9：重复步骤7和步骤8，直到道路损坏图像数据集中各类瑕疵的单个类别平均精确度AP和平均精确度mAP趋于一个稳定值，此时网络总损失曲线收敛，得到训练完成的YOLO-RD网络模型；步骤10：将测试集中的道路损坏图像输入到训练完成的YOLO-RD网络模型中进行处理，对输出的每张测试预测特征图进行步骤5中训练预测特征图进行相同操作，输出测试预测框；根据NMS非极大值抑制原则进行筛选，去除测试预测框中的空白框，在保留的测试预测框中根据置信度筛选出最终测试预测框，实现道路损坏情况的检测和定位。

全文数据：

权利要求：

百度查询： 长沙理工大学 一种基于改进YOLOv7的道路损坏检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD