CN119515791A 基于改进YOLOv8的轻量化隧道裂隙分割识别方法 （西安理工大学）

基于改进YOLOv8的轻量化隧道裂隙分割识本发明公开了基于改进YOLOv8的轻量化隧处理；步骤2，对预处理后的数据集进行扩展增分割方法存在的分割效率低及裂缝检测精度低22.根据权利要求1所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在3.根据权利要求2所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在步骤2.1，将预处理后的数据集输入WGAN_RE模型进行迭代训练，通过Fre一chetInceptionDistance和InceptionSc4.根据权利要求3所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在预测的类别分布；p(y)是生成图像整体的平均类别分布；Dr(p(YIX)lp(y)是类别分5.根据权利要求4所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在36.根据权利要求5所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在7.根据权利要求6所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在征维度扩大到mlp_hidden_dim再8.根据权利要求7所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在新排列；4步骤4.4.7，对步骤4.4.6处理后的第一组特征图在使用自适应平均池化后进行11为步骤4.4.7得到的第一组特征图的注意力权重矩阵；。9.根据权利要求8所述的基于改进YOLOv8的轻量化隧道裂隙分割识别方法，其特征在步骤4.5.6，对每个输入特征图采用对应的cv4模块进行处理，结合深度可分离卷积DSConv以及普通卷积Conv，对特征图进行逐步特征提取，最终生成掩码系数，通过56[0005]本发明所采用的技术方案是，基于改进YOLOv8的轻量化步骤2.1，将预处理后的数据集输入WGAN_RE模型进行迭代训练，通过Fre´chet7InceptionDistance和InceptionS8数n_div和pconv_fw_type在不同区域内进行卷积运算，实现特征图的空间混合；其中pconv_fw_type是用来控制部分卷积前将特征维度扩大到mlp_hidden_dim再步骤4.4.2，定义输入参数并进行分组，接受输入通道数channels和分组因子步骤4.4.8，对步骤4.4.6处理后的第二组特征图使用自适应平均池化后进行21为步骤4.4.8第二组特征图的注意力权重矩阵9积DSConv以及普通卷积Conv，对特征图进行逐步特征提取，最终生成掩码系数，通过图1是本发明基于改进YOLOv8的轻量化隧道裂隙分割识别方法的模型总体结构图2是本发明基于改进YOLOv8的轻量化隧道裂隙分割识别方法中C2f_Faster_EMA图3是本发明基于改进YOLOv8的轻量化隧道裂隙分割识别方法中PConv模块的结图4是本发明基于改进YOLOv8的轻量化隧道裂隙分割识别方法中EMA模块的结构图5是本发明基于改进YOLOv8的轻量化隧道裂隙分割识别方法中LADH模块结构图9为本发明基于改进YOLOv8的轻量化隧道裂隙分割识别方法在隧道裂缝分割用核大小为4x4且步长为1的去卷积操作将噪声整形为大小为4x4x512的数据。将数[0029]WGAN_RE的生成器和判别器的核心部分分别是DRE（DeconvolutionenhancedbyResidualBlockandECA）模块和CRE（Convolutionenhance[0033]其中X~Pg表示从生成图像的分布中抽取样本x；p(Y分布p(YIX)与整体类别分布p(y)之间的FasterNet的轻量化模块部分卷积；在改进的C2f_Faster模块中，加入EMA（Exponential本发明在YOLOv8中引入一种轻量级的Faster_EMA网络结构，其具有检测速度更用于处理特征图并生成最终的检测或分割输出。在分割任务中，LADH检测头会根据来自个部分卷积（PartialConvolution，PConv）和后续的两个逐点卷积（Point_wise输入特征的所有通道都进行卷积，PConv只对输入特征的一部分通道进行常规卷积来提取ppp错的特征提取能力。如式1所示，当取c为c的1/4时，与常规卷积相比，PConv的FLOPsppp特征X=[X0,XY.…,XC-1],xieRC//Gxtxw，取G≪C，学习到的注意力权重强化了所有注[0045]其中，zc表示特征图第c个通道的全局平均值，是该通道经过池化操作后的输出在平均池化的输出处使用Softmax函数进行拟合，通过矩阵点积运算将每个分支[0046]EMA注意力机制的三个分支整合了通道注意力和空间注意力的优点，同时捕获全卷积根据参数n_div和pconv_fw_type在不同区域内进行卷积运算，实现特征图的空间混type值，部分卷积在处理输入特征图时可能会采取不同的策略，例如如何划分输入特征步骤4.4.2，定义输入参数并进行分组，接受输入通道数channels和分组因子[0057]步骤4.4.8，对步骤4.4.6处理后的第二组特征图使用自适应平均池化后进行21为步骤4.4.8第二组特征图的注意力权重征图的通道数ch[0]和掩码数量nm，以确保生成的特征图既适合后续处理，也适合生成掩（DSConv）以及普通卷积，来对特征图进行逐步特征提取，最终生成掩码系数。通过本发明基于改进YOLOv8的轻量化隧道裂隙分割识别方法在隧道裂缝分割任务中的结果照3.2划分的验证集上开展了4组消融实验，消融实验结果如表2所示，其中A代表使用[0075]表2显示了针对性能进行增强后，改进的YOLOv8裂隙分割网络在相同数据集上性[0076]实验环境采用LinuxUbuntu22.04操作系统，显卡型号为NVIDIAGeForceRTX