1.一种基于深浅层注意特征融合的多尺度路面裂纹检测方法,其特征在于:包括以下步骤:S1,采集路面裂纹图像并对图像进行预处理;
S2,将图像输入主干网络提取层次特征P2,P3,P4,P5;
S3,将P5输入尺度自适应SA模块中获取多尺度信息;
S4,将P2,P3,P4输入到Neck中细化特征;所述Neck包括深浅层注意特征融合DSAFF模块和特征细化FR模块;DSAFF模块利用通道注意力获取通道信息,采用分块解耦注意力BDAM模块获取深浅层融合的空间信息,FR用来细化边缘信息;
S5,分别输入检测头中获取最终的检测结果;
S6,引入SimOTA优化训练时的标签分配方案;
其中,步骤S4中,所述深浅层注意特征融合DSAFF模块包括:DSAFF模块包括两个分支,一个是注意力分支,一个是浅层空间信息获取分支;注意力分支使用通道注意力CA模块和BDAM模块获取通道和空间信息;
DSAFF模块先是使用高级特征和低级特征做简单拼接,然后利用通道注意力CA获取通道信息;
浅层空间信息获取分支和CA模块输出后的特征经过处理后进行融合,输入到BDAM模块中来获取深浅层融合的空间信息;浅层空间信息获取分支为一个步长为2的3×3的最大池化进行下采样,然后使用全局最大池化使通道数变为1获取浅层空间信息;CA模块是通过将特征图通过全局平均池化压缩到C×1×1的维度后,使用1×1卷积对其进行缩放后,利用Sigmoid激活来获取通道的重要程度的;
BDAM模块首先进行深浅层空间信息融合,过程如下式所示;
;
为融合特征,为拼接特征的第c个通道,C为通道数量,为浅层特征;
进行MN处理,公式如下所示;
;
其中max()表示取中的最大值,abs()表示中所有数据取绝对值,y是一个自定义的数值;
将划分成若干个区域,再对每个区域进行横纵池化操作,流程如下面公式所示;
;
;
其中、、分别表示第P个patch的横纵向池化后的输出特征和,c、i、j分别表示第几个维度、行和列,其中,;
将特征高频区域和低频区域解耦合,如下式所示;
;
;
;
;
其中、、、分别表示解耦的高低频横纵池化特征图,表示区域特征图,min表示对应位置取小值,max为取大值;
对特征进行Sigmoid激活,如下式所示;
;
其中表示第p个patch第i行第j列的值,表示在Sigmoid之后第i行第j列的值,同理,上式为大于且大于的情况,表示第1行第j列的值;若前者小于,则将相应的变为,后者同理;
步骤S4中,所述特征细化FR模块,包括:
首先经过两个1×1的卷积来调整维度,使得通道数调整为,并形成两个分支;通过级联的3×1和1×3卷积来代替常见的3×3卷积,第一个3×1卷积的输出维度为,后面的1×3卷积输出维度为;其中一个分支经过两个级联的3×1和1×3卷积,将此过程中得到的特征与另一个分支初始输入的特征进行拼接,再通过一个1×1卷积将特征进行融合,形成最终的细化特征。
2.根据权利要求1所述的一种基于深浅层注意特征融合的多尺度路面裂纹检测方法,其特征在于:步骤S3包括:所述SA模块区别于SPP中使用的并联最大池化操作,选择使用串联的空洞可变形卷积来获取更大的感受野信息,使用的膨胀系数组合为(3,6,12);同时,采用跳跃连接操作;
首先添加一个1×1的卷积来减小输入特征图维度至,得到特征图,然后输入到膨胀系数为3的3×3空洞可变形卷积中,得到的结果与相加得到特征图;将3×3空洞可变形卷积的膨胀系数分别改为6和12,得到特征图和;最后,将进行拼接操作后输入到一个1×1的卷积中,以此得到输出特征图;其中的计算如下公式所示;
;
;
其中、分别表示输入、输出特征图,和分别表示拼接和卷积操作,表示卷积核大小为3×3的空洞可变形卷积,其中d表示膨胀系数。
3.根据权利要求1所述的一种基于深浅层注意特征融合的多尺度路面裂纹检测方法,其特征在于:步骤S6中,所述SimOTA的步骤流程如下:首先确定正样本候选区域,将处于真实框中心点5*5范围内的样本点定为正样本候选区域;其次,对每个真实框分别计算每个锚框与它的classloss、iouloss以及非候选区域损失的和作为代价,具体代价公式如下式:;
其中、是权重系数;然后每个真实框都选出对于它代价最小的10个锚框,并计算和这10个锚框的IOU的和得到每个真实框的动态k值;最后为每个真实框取代价排名最小的前k个锚框作为正样本,其余为负样本,计算损失进行训练,训练时损失函数如下式所示;分别由、和三个损失组成,、、是权重系数;
。