基于深度学习的道路伤损检测模型研究
作者单位：重庆交通大学
学位级别：硕士
导师姓名：牟凤云
授予年度：2023年
学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0814[工学-土木工程] 0811[工学-控制科学与工程]
摘 要：道路伤损危害道路安全,严重时会对行车安全、人身安全以及城市建设构成障碍,及时发现道路伤损对道路灾害风险防范以及后续道路养护至关重要。因此,高效智能的检测方法成为当前道路伤损检测的迫切需求。近年来,基于深度学习的计算机视觉技术成为了目标检测发展的新方向。本研究以开源数据集GRDDC2022为基础,基于一阶段目标检测算法YOLOv5m提出了精度更高、参数量更低的YOLO-RDD算法,并将算法部署到PC端和Web端,可满足实际应用场景的需求。主要研究成果和相关结论如下:(1)以GRDDC2022数据集内中国地区数据源为基础,进行了单样本数据增强处理和多样本数据增强处理,单样本数据增强方法使用了:几何变换、颜色变换、噪声变换、局部擦除;多样本数据增强使用了:混合图像、标签平滑、Gridmask。同时针对原始数据集中伤损类别数量差异较大,鳄鱼纹裂缝(D20)和坑塘(D40)样本数量较少的问题,本文选取了性能优秀的FAST＿GAN模型分别训练并生了200张D20和D40伤损实例,并使用泊松图像融合方式将生成的伤损实例图像与道路背景图像混合以产生新的道路伤损图像,之后在Labelimg中完成标签后,补充为训练数据集的一部分,至此,完成新的道路伤损数据集构建,共形成训练数据集7004张,验证数据集876张。实验结果表明,使用增强数据集后的模型具有更高的检测精度,未使用数据增强前,YOLOv5m模型的MAP@0.5仅为0.732,使用增强数据集后模型MAP@0.5达到了0.878,提升达到了14.6%,且各个类别的检测精度也都有较大的提升,这表明数据增强操作对于提升模型精度至关重要。(2)以一阶段目标检测模型YOLOv5m作为基准模型,使用Kmeans++算法对数据集进行预选框聚类,选择出更合适的Anchor;将Ghostnet引入到网络结构中改进传统Conv和Bottleneck模块,同时使用Sim Conv重新设计空间金字塔池化层Sim SPPF,并将注意力机制引入到网络的Neck部分,以增强对于小目标的特征提取能力,在特征图上采样部分采用性能更加优越的CARAFE算子,最后在模型的Neck部分借鉴Efficient Det的多尺度特征融合网络Bi FPN以改进特征图融合方式,并将角度损失考虑到边界框损失函数中,以加快模型训练。至此,完成轻量化检测模型的构建,将其命名为YOLO-RDD。在增强后的数据集上进行训练,并与当前主流的5类检测模型进行对比,实验结果表明:YOLO-RDD模型在检测精度和模型参数量上的表现都非常优秀,在MAP@0.5与F1-Sorce两个指标上都取得了最好的成绩,相较于baseline模型,MAP@0.5由0.878提升至0.911,MAP提升了3.3%,F1-Sorce由0.827提升到0.865,提升幅度达到了3.8%,其检测性能也已经超过了尺寸更大的YOLOv5L模型以及新版本的YOLOv6、YOLOv7、YOLOv8算法。同时模型做到了轻量化,YOLO-RDD模型在所有的算法中参数量最少,整个模型参数量总计16726284,比YOLOv5m减少4138773,同时也远少于参数量第二少的YOLOv7模型。YOLO-RDD模型最终的训练权重仅为32.4Mb,比YOLOv5m减少7.9Mb,是所有对比算法中最小的,这表明YOLO-RDD做到了轻量化。在检测速度方面,YOLO-RDD模型的检测速度达到30.9FPS,虽不是所有对比算法中最快的,但高于YOLOv5L与YOLOv6,达到了实时检测的标准。(3)为了满足不同用户对于道路伤损检测算法的应用,本文将YOLO-RDD算法部署到PC端和Wbe端,实现了对于道路图片和视频流数据的实时检测,同时验证了本文算法改进的实用性和有效性。
同方学位论文库