[发明专利]基于改进YOLOv5模型的高速公路路面病害识别方法

说明书

本发明公开了基于改进YOLOv5模型的高速公路路面病害识别方法，包括：在现有成熟的YOLOv5模型基础上，通过对模型特征提取网路进行改进，同时对模型的锚框（anchor）进行重新设计，构造了适用于高速公路路面病害识别的目标检测模型。本发明通过深度学习网络的紧密结合，将其应用于高速公路路面病害识别领域可以大大提高病害识别的效率，对高速公路养护的提供技术支持。

技术领域

本发明专利涉及智能交通，智慧高速研究领域，具体涉及基于改进YOLOv5模型的高速公路路面病害识别方法。

背景技术

随着高速公路上交通流量日益增大，以及一些违规超载车辆的存在，使得许多高速公路上开始出现各种路面病害，传统的基于人工的路面病害识别已经远远不能满足大量高速公路养护的需求，基于路面检测车实现全自动高速公路路面信息采集以及基于深度学习和计算机视觉的目标检测算法为高速公路路面病害全自动快速采集和识别提供了新的解决方案和思路。鉴于此，本发明通过对路面病害图像数据进行深度学习建模，在分析YOLOv5模型的整体框架结构的基础上，构建了不同特征提取网络的YOLOv5模型，研究了基于改进YOLOv5的高速公路路面病害识别方法。

发明内容

发明目的：为了克服现有技术中存在的不足，提供的基于深度学习的高速路面病害识别方法，其利用基于改进YOLOv5模型的深度学习方法快速、有效地对高速公路路面病害识别和分类，可对高速公路路面养护提供技术支持。

技术方案：为实现上述目的，本发明提供的基于改进YOLOv5的高速公路路面病害识别方法，包括如下步骤：

S1：构建基于不同特征提取网络的YOLOv5目标检测模型，对高速公路路面图像进行特征提取；

S2:对模型的锚框(anchor)进行重新设计。

进一步的，所述步骤S1中构建基于不同特征提取网络的YOLOv5目标检测模型，对高速公路路面图像进行特征提取：

S1-1：构建Efficientnet-YOLOv5模型；

S1-2：构建Mobilenet v3-YOLOv5模型；

S1-3：构建Resnet50-YOLOv5模型；

进一步的，构建Efficientnet-YOLOv5模型的方法为：在EfficientNet-B0网络中输入图像的分辨率为224×224，在第一个Stage层中通过一个大小为3×3卷积核进行卷积操作并将输出特征图的通道数提升到32；在第二个Stage层至第八个Stage层中通过不断叠加MBConv结构来提取图像特征，在这个过程中不断缩小特征图尺寸，提高特征图的通道数以提取更高层次的特征；在第九个Stage层中使用一个逐点卷积层、一个最大池化层以及一个全连接层依次相连接。将该特征提取网络带入到YOLOv5模型即可得到Efficientnet-YOLOv5模型。

进一步的，构建Mobilenet v3-YOLOv5模型的方法为：Mobilenetv3网络首先对输入的图像进行一个常规卷积操作，使得输出特征图的通道数为16；然后经过15个bneck模块提取图像特征，逐渐降低特征图的尺寸，提升特征图的通道数量，从而提高特征图提取信息的层次，在保证特征提取质量的前提下降低模型的参数数量，各个bneck模块之间使用残差连接；之后通过逐点卷积使各通道之间的信息进行交互，同时提升特征图的通道数量至960；之后通过池化操作从7×7的特征图中提取特征向量；最后通过两个1×1的逐点卷积层提高输出特征图的通道数量，提取更高层次的特征。将该特征提取网络带入到YOLOv5模型中即可得到Mobilenet v3-YOLOv5模型。