一种基于改进的YOLOv8的道路病害检测算法

本发明涉及道路病害检测，具体是指一种基于改进的yolov8的道路病害检测算法。

背景技术：

1、伴随着公路的大规模、大范围频繁使用，路面病害(如坑洞、裂缝)频繁出现，逐渐成为影响交通状况的一项主要因素，大量道路因路面病害问题出现服务水平下降现象。在此背景下，未来公路养护需求将稳定增长。而病害检测是进行公路养护的关键一步，对道路病害检测方法的探索迫在眉睫。

2、在道路病害检测中，传统人工检测方法成本高、效果差。同时，由于路面病害检测图像具有其特殊性，传统目标检测算法也不能提供精准检测，特别是在以下方面：待检测图片光线杂乱、背景混乱；路面病害尺寸小(小目标)；尺度与形态不一(多尺度)存在较多问题。

3、因此，选择适合道路病害检测的深度学习模型、设计新的目标检测算法框架，可以帮助克服上述问题，提高路面病害检测精度，具有很强的应用价值。

4、另一方面，yolov8模型的性能在目标检测领域已处于领先地位，然而道路损伤检测是一项对检测速度和精度要求较高的任务，由于道路图像中的病害目标通常具有小目标、多尺度、与背景相似等特点，使得在使用yolov8进行检测时的效果较差。

技术实现思路

1、为解决上述技术问题，本发明提供的技术方案为：一种基于改进的yolov8的道路病害检测算法，包括以下步骤：

2、(1)将可变形大核注意力机制deformable-lka引入yolov8backbone部分的c2f模块中；

3、(2)进行变形卷积deformconv操作，具体包括以下步骤：

4、(2.1)通过一个标准卷积层生成偏移量offsets：

5、offsets＝conv(x)

6、上式中，x表示输入特征图；

7、(2.2)使用(2.1)生成的偏移量进行变形卷积操作：

8、y＝deformbconv(x,offsets)

9、其中变形卷积的原理如下式，特征图上每个位置的值发生变化：

10、

11、上式中，y(i，j)表示输出特征图在(i，j)位置的值，k表示卷积核尺寸(k×k)，w(n,m)为卷积核权重，(δm，δn)表示从offsets对应位置提取的偏移量；

12、(3)进行bottleneck_deformable-lka操作，具体包括以下步骤：

13、(3.1)对输入特征图应用一个卷积操作进行投影，并使用gelu函数激活：

14、y＝gelu(conv(x))

15、(3.2)设置一个空间门控单元deformable-lka_sgu：

16、y1＝conv(deformconv(deformconv(y)))

17、(3.3)应用一个卷积操作，进行投影，并将结果与原始输入y进行残差连接：

18、y2＝conv(y1)+y

19、(3.4)使用多尺度空洞注意力机制msda改进yolov8的特征融合模块：

20、msda的具体实现包含两个模块，其中dilatestage中包含patchembed模块、patchmerging模块和核心模块dilateblock；patchembed模块通过一个或多个卷积层对输入图像进行处理，将图像分割成大小固定的图像块，再将每个图像块转换成高维向量：

21、y＝conv(x；w,b,s,p)

22、上式中，x为输入图像，具有形状[b,c,h,w]，其中，b为批次大小，c为通道数，h为图像高度，w为图像宽度；w是卷积核的权重；b是卷积核的偏置项；s是卷积层的步长，决定了提取图像块的间隔；p是卷积层操作的填充(padding)；y为输出；

23、(4)进入dilateblock模块，将输入图像整体利用一个卷积核尺寸为1×1的卷积层处理，该卷积层输出维度是输入维度的三倍，得到注意力机制中所需的查询q、键k、值v：

24、[q,k,v]＝conv(x)

25、传统单个注意力操作过程如下式，得到的注意力权重被应用到值v上，如下式，此处在传统注意力机制的基础上引入滑动窗口和膨胀卷积，表示为swda；

26、

27、其中，dk为每个head的维度，softmax为归一化函数；

28、(5)将查询q、键k、值v重塑形状并排列，按照每个头的维度分割；对每个头head重复下式：

29、hi＝swda(qi,ki,vi,ri),1≤i≤n

30、上式中，qi、ki、vi代表每个头的查询q、键k、值v，ri代表对应头的膨胀率，hi为每个头的输出；

31、(6)将每个头head的输出进行拼接，并通过一个线性层linear来生成最终的输出x1：

32、x1＝linear(concat[h1,...,hn])。

33、本发明与现有技术相比的优点在于：本发明针对道路病害图像小目标、多尺度、背景相似的特点，对yolov8的原始网络结构进行了改进，加入了可变形大核卷积deformable-lka和多尺度空洞卷积msda两种机制，有效的改善了使用yolov8检测道路病害的性能；具体为，在neck部分添加了三处msda模块，通过将输入的特征图分为不同的头部，并在它们上面使用不同扩张率的扩张卷积进行特征提取，最后将所有的特征提取结果融合，msda机制可以充分提取到大、中、小尺寸的物体的充分信息，又不会过多的增加计算量，可以很好的适应路面病害这种尺度多样的物体的检测。

技术特征：

1.一种基于改进的yolov8的道路病害检测算法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进的yolov8的道路病害检测算法，其特征在于，使用该算法检测道路病害的方法，具体包括以下步骤：

3.根据权利要求2所述的一种基于改进的yolov8的道路病害检测算法，其特征在于，步骤s2中，原始数据集进行预处理包括对将图像尺寸调整为yolov8要求的640*640大小，通过平移、缩放、mosaic数据增强的方法来增加数据集的多样性，提高模型的泛化能力。

技术总结本发明公开了一种基于改进的YOLOv8的道路病害检测算法，包括将DLKA引入C2f模块中，具体方法是用bottleneck DLKA替换C2f中的bottleneck，即用deformconv替换了原有bottleneck中的conv；本发明在neck部分添加了三处MSDA模块，通过将输入的特征图分为不同的头部，并在它们上面使用不同扩张率的扩张卷积进行特征提取，最后将所有的特征提取结果融合，MSDA机制可以充分提取到大、中、小尺寸的物体的充分信息，又不会过多的增加计算量，可以很好的适应路面病害这种尺度多样的物体的检测。技术研发人员：韩志斌,蔡雨桐,李亚航,刘安琪,赵怡然,林赐云受保护的技术使用者：吉林大学技术研发日：技术公布日：2024/8/20