CN119418285A 基于drr模块和sdfm的道路缺陷检测方法 （南京华苏科技有限公司）

本发明公开了一种基于DRR模块和SDFM的道DRR模块替换掉骨干网络部分C2f的BottleNeck残差模块；将骨干网络和颈部的下采样替换为LDConv卷积模块，使用SDFM改进模型的颈部结证后的模型部署到可视化界面实现道路缺陷的2进行标注后生成数据集并划分为训练集和验证S4模型验证：设置验证参数对训练完成的模2.根据权利要求1所述的基于DRR模块和SDF3.根据权利要求1所述的基于DRR模块和SDS23：采用基于通道_空间注意机制的浅层特4.根据权利要求3所述的基于DRR模块和SDFM的道路缺S212语义残差化：分别采用多速率扩展深度卷积对步骤5.根据权利要求4所述的基于DRR模块和SD36.根据权利要求5所述的基于DRR模块和SDFM的S231：骨干网络第二个C2f输出和颈部第二个C2入第二个SDFM融合模块作为第二个检测头输入；骨干网络通过SPPF的输出和颈部第四个C2f的输出送入第三个SDFM融合模块作为第三个检测S232：将通道维度中的骨干网络的特征和颈部7.根据权利要求6所述的基于DRR模块和SD8.根据权利要求7所述的基于DRR模块和SDFMW=(A,8A,);9.根据权利要求6所述的基于DRR模块和SDFM的步骤S4的具体步骤为：设置验证参数对步骤S3训练完成的基于DRR模块和SDFM的道路缺陷4最后将验证后的基于DRR模块和SDFM的道路缺陷检测模型部署到可视化界面实现道路缺陷5[0001]本发明属于地学统计与空间分析技术领域，具体涉及一种基于DRR模块和SDFM的动化检测系统在道路缺陷识别的精确度和算法的实时响应能力方面仍有[0005]中国专利文献CN118115444A公开了一种基于SLCD_YOLO网络的道路缺陷目标检测SimSPPF，SimSPPF中的单个ConvBNReLU模块的推理速度要比SPPF中的ConvBNSiLU快18%;Neck中引入DWRSeg模块与C2f融合形成新的C2f_DWRSeg模块，C2f_DWRSeg使用多速率深度方向扩张卷积有效的提取多尺度上下文信息。为了进一步提高在多角度下的缺陷检测问积网络(R_FCN)和基于掩模区域的卷积神经网络(MaskR_CNN)。第二种是基于回归的一步6法普遍存在参数量较大检测速度较慢等缺点不适合部分C2f的BottleNeck残差模块；其次，将骨干网络和颈部的下采样替换为LDConv卷积模7数，最终我们将设计的DRR模块替换骨干网络最后两个C2f中的bottleneck并命名为C2f_DRR,在保持轻量化的同时，融合多尺度特征图；将骨干网络和颈部的下采样方法替换为的变化，选择生成初始采样坐标来完成具有任意数量参数的特征提取过程，将可变形的8坐标为Pn+P0；这一步的重点是为一个有N个参数的卷积核在特征映射上生成相应的采样坐个C2f的输出送入第三个SDFM融合模块作为第三个检9训练超参数，训练平台是蓝耘，测试硬件平台环境为Python3.8，CUDA11.8，GPU显卡为块和SDFM的道路缺陷检测模型在验证集Parameters、Gflops作为评估指标，其中mAP@0.5是对各个种类检测结果的平均精度取均总数中，模型正确识别目标所占的比例，Parameters用于衡量模型的大小和复杂程度；Gflops来衡量模型的执行时间；最后将验证后的基于DRR模块和SDFM的道路缺陷检测模型[0049](1)高准确性：改进的网络通过不同模块的改进与添加，使得检测精度进一步提[0055]图3为本发明基于DRR模块和SDFM的道路缺陷检测方法中的C2f_DRR和C2f结构对[0057]图5为本发明基于DRR模块和SDFM的道路缺陷检测方法中的扩展重参数卷积模块[0065]CBS模块是由二维卷积(Conv2d)、批量归一化(BN)和非线性激活函数SiLU等组件构成的复合模块。卷积层通过应用一组可学习的滤波器对输入数据进行卷积运算,从而提[0066]串行并行池化融合(SPPF)是基于空间金字塔池化(SPP)提出的一种方法,旨在扩[0067]YOLOv8的C2f结构和SPPF结构的应用使得模型能够更好地处理不同尺度的目标，在主干网络(Backbone)的不同层级上构建特征金字塔，生成一系列具有不同尺度的特征图。这些特征图包含了丰富的语义和空间信息，能够捕捉不同尺度目标的细节和上下文。制。基于上述两个目标，TaskAligned设计了一个新的Anchoralignmentmetric来在配和lossfunction里来动态的优化每个Anchor的部分C2f的BottleNeck残差模块；其次，将骨干网络和颈部的下采样替换为LDConv卷积模[0084]DRR结构图如图4所示，所述步骤S21中采用两步法高效绘制多尺度特征的具体步有助于在训练期间捕获小规模模式；它们的输出在两个各自的批处理归一化层之后相加。胀率唯一的约束是(k_1)r+1≤K。为了将一个扩展重参数模块转换成一个用于推理的大核坐标为Pn+P0；这一步的重点是为一个有N个参数的卷积核在特征映射上生成相应的采样坐息，采用基于通道_空间注意机制的浅层特征融合模块(SDFM)来融合骨干网络特征和颈部[0105]W=j(A,8A,):[0111]所述步骤S4的具体步骤为：设置验证参数对步骤S3训练完成的基于DRR模块和SDFM的道路缺陷检测模型在验证集上进行验证，采取mAP@0.5、Precision、Recall、Parameters、Gflops作为评估指标，其中mAP@0.5是对各个种类检测结果的平均精度取均总数中，模型正确识别目标所占的比例，Parameters用于衡量模型的大小和复杂程度；Gflops来衡量模型的执行时间；最后将验证后的基于DRR模块和SDFM的道路缺陷检测模型[0115]对于本领域的普通技术人员而言，具体