买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工业大学

摘要：本发明提供一种针对不平衡样本的道路病害神经网络检测方法，步骤包括：采集不同条件下的道路病害图像；标注道路病害的类别和位置；使用渐进式生成对抗网络ProGAN生成大量逼真的病害图像；利用K‑折交叉验证方法将数据集划分为训练集、验证集和测试集；构建基于改进YOLOv8的目标检测模型；将训练集和验证集输入模型中进行训练，得到训练好的目标检测模型权重；将权重和测试集输入模型中进行测试，得到每张图像对应的道路病害的类别信息和位置信息。该方法在YOLOv8中引入渐进式生成对抗网络ProGAN、高效视觉模型TransNeXt，多尺度注意力模块MSAM、扩张式残差模块DWR以及特征重组模块FRM，解决了病害区域小、形状不规则、样本数量少以及样本分布不平衡等问题，展现了其独特性、创新性和优越性，并为道路病害检测的发展提供了新的思路和方向。

主权项：1.一种针对不平衡样本的道路病害神经网络检测方法，步骤包括：1获取路面图像数据；2标注道路病害的类别和位置；3生成道路病害图像；4把数据划分为训练集、验证集和测试集；5构建道路病害检测模型，采用训练集和验证集对道路病害检测模型机械能训练；6采用训练好的道路病害检测模型识别和分类道路的病害；其特征是所述步骤3中，基于真实的面图像数据，扩充道路病害图像数据；所述步骤5中，道路病害检测模型是改进的YOLOv8的目标检测模型；目标检测模型的网络结构为：目标检测模型通过Backbone、Neck和Head依次相连；Backbone用于特征提取，Backbone是由TransNeXt、SPPF以及MSAM组成，其结构为：第一层为PatchEmbedding层、聚合注意力AggregatedAttentionAA模块和ConvolutionalGLU模块；第二层为PatchEmbedding层、AA模块和ConvolutionalGLU模块；第三层为PatchEmbedding层、AA模块和ConvolutionalGLU模块；第四层为PatchEmbedding层、多头注意力Multi-HeadSelf-Attention模块和ConvolutionalGLU模块；第五层为快速空间金字塔池化SPPF模块；第六层为多尺度注意力MSAM模块；所有层串行连接。Neck用于多尺度特征融合，Neck的结构为：第七层为与第六层的MSAM模块连接的Upsample层；第八层为与第四层以及第七层连接的Concat模块；第九层为与第八层连接的扩张式残差DWR模块；第十层为与第九层连接的Upsample层；第十一层为与第三层以及第十层连接的Concat模块；第十二层为与第十一层连接的DWR模块；第十三层为与第十二层连接的Conv-BN-SiLUCBS模块；第十四层为与第九层以及第十三层连接的Concat模块；第十五层为与第十四层连接的DWR模块；第十六层为与第十五层连接的CBS模块；第十七层为与第六层以及第十六层连接的Concat模块；第十八层为与第十七层连接的DWR模块；Head用于最终的检测任务，Head的结构有三个检测头，分别为：与第十二层连接的特征重组模块FRMHead；与第十五层连接的特征重组模块FRMHead；与第十八层连接的特征重组模块FRMHead；所述MSAM模块是由三个部分构成，分别为：一个深度卷积用于聚合局部信息；多分枝深度卷积用于捕获多尺度上下文信息；一个1×1逐点卷积建模不同通道之间的关系；所述DWR模块中对特征提取采用两个步骤，分别是第一步的区域残差化和第二步的语义残差化；在第一步中，通过卷积结合批量归一化BN和ReLU激活函数生成具有不同区域表达的简洁特征图；在第二步中，对每个区域特征图使用单一期望接收场地深度可分离卷积进行语义基础的形态滤波；所述FRM模块使用卷积、上采样、下采样和softmax操作来重组和整合来自不同层次的特征图；其中：卷积用于特征提取和变换；上采样和下采样用于调整特征图的尺度，使得特征图得以在相同尺度下进行特征融合；softmax用于特征选择和权重分配。

全文数据：

权利要求：

百度查询： 南京工业大学 针对不平衡样本的道路病害神经网络检测方法