1.基于YOLOV7算法的路面病害快速检测方法,其特征在于,包括如下步骤:获取待识别的路面图片,并进行预处理;
对预处理后的图像进行升维压缩,采用深度可分离卷积进行多层特征提取,对顶层的图像进行不同感受野的池化特征提取并进行堆叠;
将输出的各层特征进行坐标注意力操作后,融合自顶向下的上采样与自底向上的下采样,将各层特征进行多尺度的特征融合,得到特征增强后的特征图;
对特征增强后的特征图进行重参数卷积操作以及目标检测,分类后得到路面病害的识别结果;
还包括构建YOLOV7算法模型,包括:主干特征提取网络,加强特征提取网络以及输出网络;
主干特征提取网络,包括多个级联的Mobile One Block模块,最后一层Mobile OneBlock模块连接设置SPPCSCP模块;
Mobile One Block模块依次执行深度卷积和逐点卷积,深度卷积后执行批归一化以及激活操作,逐点卷积后执行批归一化以及激活操作,用于实现图像的升维压缩处理;
加强特征提取网络,对应主干特征提取网络的有效输出层设置有特征加强分支,每个分支包括依次连接的GSConv卷积模块、通道堆叠模块以及MultiConcat Block模块,各分支之间通过FPN结构以及PAN结构进行采样;
MultiConcat Block模块包括多个分支的GSConv卷积模块,并且各分支的GSConv卷积模块级联一个或多个GSConv卷积模块,形成GSConv卷积模块层叠的结构。
2.如权利要求1所述的基于YOLOV7算法的路面病害快速检测方法,其特征在于:主干特征提取网络,用于对预处理后的图像进行升维压缩,采用深度可分离卷积进行多层特征提取,对顶层的图像进行不同感受野的池化特征提取并进行堆叠;
加强特征提取网络,被配置为将输出的各层特征进行坐标注意力操作后,融合自顶向下的上采样与自底向上的下采样,将各层特征进行多尺度的特征融合,得到特征增强后的特征图;
输出网络,被配置为特征增强后的特征图进行重参数卷积操作,分类后得到路面病害的识别结果。
3.如权利要求1所述的基于YOLOV7算法的路面病害快速检测方法,其特征在于:SPPCSCP模块的结构包括两个分支,第一个分支对输入进行三次标准卷积,之后分别进行设定池化核大小的最大池化操作,将最大池化结果与经过三次标准卷积后的结果进行通道堆叠,之后再进行一次标准卷积;
第二个分支对输入进行一次标准卷积;之后将两个分支得到的结果进行通道堆叠后再进行一次标准卷积;
其中,标准卷积操作为卷积、批归一化以及激活函数激活的串联操作。
4.如权利要求1所述的基于YOLOV7算法的路面病害快速检测方法,其特征在于,GSConv卷积模块的卷积过程包括:对输入图像进行普通卷积操作,然后进行深度卷积操作,对深度卷积操作之后的输出特征图与普通卷积操作后的特征图进行通道堆叠,最后进行洗牌操作输出特征图。
5.如权利要求1所述的基于YOLOV7算法的路面病害快速检测方法,其特征在于:输出网络包括依次连接的YoloHead模块以及重参数卷积模块;
YoloHead模块为检测头,根据提取的特征,预测目标的位置并进行框选;
重参数卷积模块,被配置执行重参数卷积。
6.如权利要求1所述的基于YOLOV7算法的路面病害快速检测方法,其特征在于:坐标注意力操作包括对输入图像进行两个坐标上的平均池化操作、通道堆叠和卷积操作、批归一化和非线性激活、卷积以及激活得到输出图像。
7.如权利要求1所述的基于YOLOV7算法的路面病害快速检测方法,其特征在于:还包括对YOLOV7算法模型进行训练的方法,包括如下步骤:获取路面历史图片,进行标记得到标签文件,构建数据集;
对数据集的数据进行预处理;
按设定的比例划分数据集为训练集和测试集;
以训练集中的图像数据为输入,以对应的标签为输出,对构建的YOLOV7算法模型进行训练,基于ImageNet-1K训练的网络权重,进行迁移学习,经过迭代训练后得到最优的模型参数,得到训练后的YOLOV7算法模型;
用划分的测试集验证YOLOV7算法模型的性能,迭代上述训练过程直到满足性能要求,得到训练好的YOLOV7算法模型。
8.如权利要求7所述的基于YOLOV7算法的路面病害快速检测方法,其特征在于,训练采用的损失函数,对有效交并比损失与动态缩放交叉熵损失进行整合得到损失函数,具体的:基于动态缩放交叉熵损失的计算形式,并将有效交并比损失作为调剂系数与动态缩放交叉熵损失相结合,从而得到损失函数计算公式;
验证YOLOV7算法模型的性能的评价指标包括:准确率、召回率、F1分数、平均精度以及每秒传输帧数。
9.基于YOLOV7算法的路面病害快速检测系统,其特征在于,包括:预处理模块:被配置为获取待识别的路面图片,并进行预处理;
主干特征提取网络:被配置为对预处理后的图像进行升维压缩,采用深度可分离卷积进行多层特征提取,对顶层的图像进行不同感受野的池化特征提取并进行堆叠;
加强特征提取网络:被配置为将输出的各层特征进行坐标注意力操作后,融合自顶向下的上采样与自底向上的下采样,将各层特征进行多尺度的特征融合,得到特征增强后的特征图;
输出网络:被配置为特征增强后的特征图进行目标检测以及重参数卷积操作,分类后得到路面病害的识别结果;
还包括构建YOLOV7算法模型,包括:主干特征提取网络,加强特征提取网络以及输出网络;
主干特征提取网络,包括多个级联的Mobile One Block模块,最后一层Mobile OneBlock模块连接设置SPPCSCP模块;
Mobile One Block模块依次执行深度卷积和逐点卷积,深度卷积后执行批归一化以及激活操作,逐点卷积后执行批归一化以及激活操作,用于实现图像的升维压缩处理;
加强特征提取网络,对应主干特征提取网络的有效输出层设置有特征加强分支,每个分支包括依次连接的GSConv卷积模块、通道堆叠模块以及MultiConcat Block模块,各分支之间通过FPN结构以及PAN结构进行采样;
MultiConcat Block模块包括多个分支的GSConv卷积模块,并且各分支的GSConv卷积模块级联一个或多个GSConv卷积模块,形成GSConv卷积模块层叠的结构。