一种道路病害检测方法、装置、设备及介质

本发明涉及道路养护的，更具体的，涉及一种道路病害检测方法、装置、设备及介质。

背景技术：

1、近年来，随着道路网规模的不断扩大和交通量的持续增加，道路养护的需求也逐年增长。道路养护的对象主要包括路面裂缝、车辙、坑槽等病害，其中路面裂缝在自然因素和车辆负荷的综合作用下会不断恶化，严重影响道路的使用寿命和行车安全，成为道路养护的重点问题。

2、目前，路面病害的检测主要依赖于传统的人工方法，这种方法不仅耗时耗力，而且检测结果受人为因素影响较大，难以保证检测的准确性和客观性。面对日益增长的道路养护需求，现有的人工检测方法显然已经无法满足高效、准确检测的要求。

3、为了克服现有技术的不足，亟需开发一种自动化的道路病害检测方法。通过引入先进的机器学习和图像处理技术，可以显著提高病害检测的效率和准确性，减少人工干预，提高道路养护的智能化水平。

技术实现思路

1、本发明为克服现有技术中存在的检测精度低、效率低、鲁棒性差等问题，而提供一种道路病害检测方法、装置、设备及介质。

2、为解决上述技术问题，本发明的技术方案如下：

3、一种道路病害检测方法，包括以下步骤：

4、s1、获取并预处理道路病害图像的数据集，将所述道路病害图像的分辨率调整为640×640，并使用图像标注工具对所述数据集进行标注；将所述数据集的格式转换为coco格式，并按预设比例划分为训练集、验证集和测试集；

5、s2、搭建基于卷积神经网络的yolov4模型，所述yolov4模型引入senet注意力机制以增强特征提取能力，得到改进的se-yolov4模型；

6、s3、使用训练集对所述se-yolov4模型进行训练，得到训练后的网络模型；

7、s4、对训练后的所述网络模型进行剪枝处理，并部署到服务器供接口调用；

8、s5、通过终端设备拍摄道路病害图片，并将图片信息回传至所述服务器，所述服务器接收到图片信息后返回检测结果至所述终端设备进行展示。

9、进一步，所述数据集为开源的rdd2020数据集，采用rdd2020数据集中的七种类别进行深度学习模型的训练和识别，七种类别包括纵向裂缝、纵向拼接缝、横向裂缝、网状裂缝、坑槽、十字路口模糊、白线模糊。

10、进一步，所述图像标注工具采用labelme图像标注工具。

11、进一步，所述训练集、所述验证集和所述测试集的比例为8:1:1。

12、进一步，步骤s2中的引入senet注意力机制具体为：引入senet注意力机制添加到yolov4模型主干特征提取网络层的3个有效特征层中，同时在panet结构中将两个上采样后的结果添加到senet模块。

13、进一步，在主干特征提取网络中，利用cspnet结构构造cspdarknet53网络，用于在降低计算量的情况下提高网络的性能；在所述cspnet结构中引入mish激活函数；在颈部网络中，使用spp结构和panet结构；在对cspdarknet53网络输出的最后一个特征层完成3次卷积操作后，利用spp结构中4个不同尺度的最大池化层进行多尺度特征增强处理。

14、进一步，步骤s3具体为：

15、将所述se-yolov4模型初始化，并将训练集图片导入所述se-yolov4模型，进行训练，得到训练后的网络模型。

16、一种道路病害检测装置，包括：

17、图像预处理模块，用于获取道路病害图像的数据集，调整所述道路病害图像的分辨率为640×640，并使用图像标注工具对所述数据集进行标注；将所述数据集的格式转换为coco格式，并按预设比例划分为训练集、验证集和测试集；

18、模型搭建模块，用于搭建基于卷积神经网络的yolov4模型，并引入senet注意力机制以增强特征提取能力，得到改进的se-yolov4模型；

19、模型训练模块，用于使用训练集对所述se-yolov4模型进行训练，得到训练后的网络模型；

20、模型剪枝与部署模块，用于对训练后的所述网络模型进行剪枝处理，并将剪枝后的模型部署到服务器供接口调用；

21、检测执行模块，用于通过终端设备拍摄道路病害图片，并将图片信息回传至所述服务器，所述服务器接收到图片信息后返回检测结果至所述终端设备进行展示。

22、一种电子设备，包括：

23、至少一个处理器；以及

24、与所述至少一个处理器通信连接的存储器；其中，

25、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述的道路病害检测方法。

26、一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行前述的道路病害检测方法。

27、与现有技术相比，本发明技术方案的有益效果是：

28、本发明提供了一种道路病害检测方法、装置、设备及介质，通过全流程的优化，从数据预处理、模型设计、训练到部署及检测结果的后处理，全面提升了道路病害检测的精度、效率和实用性，具有显著的应用优势。

技术特征：

1.一种道路病害检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的道路病害检测方法，其特征在于，所述数据集为开源的rdd2020数据集，采用rdd2020数据集中的七种类别进行深度学习模型的训练和识别，七种类别包括纵向裂缝、纵向拼接缝、横向裂缝、网状裂缝、坑槽、十字路口模糊、白线模糊。

3.根据权利要求1所述的道路病害检测方法，其特征在于，所述图像标注工具采用labelme图像标注工具。

4.根据权利要求1所述的道路病害检测方法，其特征在于，所述训练集、所述验证集和所述测试集的比例为8:1:1。

5.根据权利要求1所述的道路病害检测方法，其特征在于，步骤s2中的引入senet注意力机制具体为：引入senet注意力机制添加到yolov4模型主干特征提取网络层的3个有效特征层中，同时在panet结构中将两个上采样后的结果添加到senet模块。

6.根据权利要求5所述的道路病害检测方法，其特征在于，在主干特征提取网络中，利用cspnet结构构造cspdarknet53网络，用于在降低计算量的情况下提高网络的性能；在所述cspnet结构中引入mish激活函数；在颈部网络中，使用spp结构和panet结构；在对cspdarknet53网络输出的最后一个特征层完成3次卷积操作后，利用spp结构中4个不同尺度的最大池化层进行多尺度特征增强处理。

7.根据权利要求1所述的道路病害检测方法，其特征在于，步骤s3具体为：

8.一种道路病害检测装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的道路病害检测方法。

技术总结本发明公开了一种道路病害检测方法、装置、设备及介质，属于道路养护的技术领域；包括：获取并预处理开源的RDD2020数据集，选择部分病害类型用于训练；搭建基于SE‑YOLOv4的卷积神经网络模型，引入SENet注意力机制和其他优化结构；对模型进行训练和剪枝处理，并将其部署至服务器；利用终端设备拍摄并回传道路病害图片，服务器接收图片后进行检测并返回结果。该方法提高了检测精度和效率，增强了模型的鲁棒性和泛化能力，能够有效支持道路养护的智能化发展。技术研发人员：李红旭,孙佳豪,蒲韵海,许世航,叶宇轩,徐灵韵,黄婧瑶,王琪,朱冠臣受保护的技术使用者：无锡学院技术研发日：技术公布日：2024/10/10