本申請涉及路面病害檢測領(lǐng)域，尤其涉及一種基于改進rt-detr的公路路面裂縫檢測方法。

背景技術(shù)：

1、隨著公路車流量日益增多，以及行駛車輛的碾壓、沖擊、磨耗、天氣變化等影響，導(dǎo)致公路路面產(chǎn)生一系列病害，例如：裂縫、龜裂和修補等。這些病害對路面的穩(wěn)定性造成了較大的影響。

2、裂縫類病害較為常見，分為橫向裂縫和縱向裂縫。在相關(guān)技術(shù)中，為了識別路面裂縫，使用數(shù)字圖像處理技術(shù)對路面圖片進行預(yù)處理、分割、特征提取和識別等步驟，從而實現(xiàn)對裂縫的自動檢測和分析。或者把圖片網(wǎng)格化切分成許多小塊檢測出圖中某個小塊是否存在裂縫然后把所有小塊的檢測結(jié)果映射到整張圖片實現(xiàn)整張圖片上裂縫位置和類型的檢測。

3、但是上述技術(shù)中，存在面對復(fù)雜路面環(huán)境下裂縫特征提取困難的問題。同時需要處理圖像中的噪聲、陰影、紋理等干擾因素，導(dǎo)致路面裂縫識別的通用性以及準(zhǔn)確性不佳。

技術(shù)實現(xiàn)思路

1、本申請的主要目的在于提供一種基于改進rt-detr的公路路面裂縫檢測方法，旨在解決面對復(fù)雜路面環(huán)境下裂縫特征提取困難的問題，同時需要處理圖像中的噪聲、陰影、紋理等干擾因素，導(dǎo)致路面裂縫識別的通用性以及準(zhǔn)確性不佳的技術(shù)問題。

2、為實現(xiàn)上述目的，本申請?zhí)岢鲆环N基于改進rt-detr的公路路面裂縫檢測方法，所述基于改進rt-detr的公路路面裂縫檢測方法包括：

3、基于路面裂縫圖像構(gòu)建路面裂縫樣本集；

4、基于高低頻注意力機制對rt-detr模型進行改進；

5、基于所述路面裂縫樣本集對改進后的rt-detr模型進行訓(xùn)練，獲取裂縫檢測模型；

6、基于所述裂縫檢測模型對采集到的路面圖像進行檢測，確定所述路面圖像中的目標(biāo)裂縫。

7、在一實施例中，所述基于路面裂縫圖像構(gòu)建路面裂縫樣本集的步驟包括：

8、確定所述路面裂縫圖像對應(yīng)的灰度圖；

9、基于亮度均衡的圖像閾值對所述灰度圖進行勻光處理；

10、對處理后的所述灰度圖進行標(biāo)注，構(gòu)建所述路面裂縫樣本集。

11、在一實施例中，所述路面裂縫樣本集按照預(yù)設(shè)比例劃分為訓(xùn)練集、驗證集和測試集；

12、在一實施例中，所述基于高低頻注意力機制對rt-detr模型進行改進的步驟包括：

13、構(gòu)建改進型高低頻注意力模塊；

14、基于所述改進型高低頻注意力模塊替換rt-detr模型中的aifi注意力模塊，確定替換模塊；

15、構(gòu)建改進型多尺度特征融合模塊；

16、基于改進型多尺度特征融合模塊替換rt-detr模型中的ccfm特征融合模塊，確定替換模塊。

17、在一實施例中，所述構(gòu)建改進型高低頻注意力模塊的步驟包括：

18、構(gòu)建點積注意力模塊；

19、構(gòu)建基于點積注意力模塊的高頻注意力模塊；

20、構(gòu)建基于點積注意力模塊的低頻注意力模塊；

21、構(gòu)建基于迭代融合策略的高低頻特征融合模塊；

22、構(gòu)建高低頻注意力模塊。

23、在一實施例中，所述構(gòu)建改進型多尺度特征融合模塊的步驟包括：

24、構(gòu)建迭代特征融合模塊；

25、基于迭代特征融合模塊構(gòu)建改進型特征融合模塊。

26、在一實施例中，所述基于所述路面裂縫樣本集對改進后的rt-detr模型進行訓(xùn)練，獲取裂縫檢測模型的步驟包括：

27、確定訓(xùn)練參數(shù)，其中所述訓(xùn)練參數(shù)包括批量大小、學(xué)習(xí)率、檢測類別數(shù)和最大迭代次數(shù)；

28、將所述路面裂縫樣本集輸入至改進后的rt-detr模型，基于損失函數(shù)和反向傳播對梯度進行計算，以實時更新梯度；

29、當(dāng)達到所述最大迭代次數(shù)時，基于迭代結(jié)果確定所述裂縫檢測模型。

30、在一實施例中，所述將所述路面裂縫樣本集輸入至改進后的rt-detr模型，基于損失函數(shù)和反向傳播對梯度進行計算，以實時更新梯度的步驟包括：

31、基于所述路面裂縫樣本集和所述改進后的rt-detr模型的主干部分，確定預(yù)設(shè)尺度的特征圖；

32、基于所述特征圖和所述改進后的rt-detr模型的中間部分確定張量數(shù)據(jù)；

33、將所述張量數(shù)據(jù)輸入至所述改進后的rt-detr模型的輸出部分，并結(jié)合所述損失函數(shù)和所述反向傳播對所述梯度進行計算，以實時更新所述梯度。

34、本申請?zhí)岢龅囊粋€或多個技術(shù)方案，具有如下技術(shù)效果或優(yōu)點：

35、采用基于路面裂縫圖像構(gòu)建路面裂縫樣本集；基于高度頻注意力模塊改進rt-detr模型，使用高低頻注意力機制分別提取和融合有利于條狀裂縫檢測的高頻特征和有利于塊狀裂縫檢測的低頻特征，然后構(gòu)建基于迭代融合策略的高低頻特征融合模塊融合高低頻特征；基于所述路面裂縫樣本集對改進后的rt-detr模型進行訓(xùn)練，獲取裂縫檢測模型；基于所述裂縫檢測模型對采集到的路面圖像進行檢測，確定所述路面圖像中的目標(biāo)裂縫。有效解決了面對復(fù)雜路面環(huán)境下裂縫特征提取困難的問題，同時需要處理圖像中的噪聲、陰影、紋理等干擾因素，導(dǎo)致路面裂縫識別的通用性以及準(zhǔn)確性不佳的技術(shù)問題，實現(xiàn)了提高路面裂縫特征提取精度，統(tǒng)一路面病害檢測標(biāo)準(zhǔn)的技術(shù)效果。

技術(shù)特征：

1.一種基于改進rt-detr的公路路面裂縫檢測方法，其特征在于，所述基于改進rt-detr的公路路面裂縫檢測方法包括：

2.如權(quán)利要求1所述的基于改進rt-detr的公路路面裂縫檢測方法，其特征在于，所述基于路面裂縫圖像構(gòu)建路面裂縫樣本集的步驟包括：

3.如權(quán)利要求1所述的基于改進rt-detr的公路路面裂縫檢測方法，其特征在于，所述基于高低頻注意力機制對rt-detr模型進行改進的步驟包括：

4.如權(quán)利要求3所述的基于改進rt-detr的公路路面裂縫檢測方法，其特征在于，所述構(gòu)建改進型高低頻注意力模塊的步驟包括：

5.如權(quán)利要求3所述的基于改進rt-detr的公路路面裂縫檢測方法，其特征在于，所述構(gòu)建改進型多尺度特征融合模塊的步驟包括：

6.如權(quán)利要求1所述的基于改進rt-detr的公路路面裂縫檢測方法，其特征在于，所述基于所述路面裂縫樣本集對改進后的rt-detr模型進行訓(xùn)練，獲取裂縫檢測模型的步驟包括：

7.如權(quán)利要求6所述的基于改進rt-detr的公路路面裂縫檢測方法，其特征在于，所述將所述路面裂縫樣本集輸入至改進后的rt-detr模型，基于損失函數(shù)和反向傳播對梯度進行計算，以實時更新梯度的步驟包括：

技術(shù)總結(jié)
本申請公開了一種基于改進RT?DETR的公路路面裂縫檢測方法，涉及路面病害檢測領(lǐng)域。該方法包括基于路面裂縫圖像構(gòu)建路面裂縫樣本集；基于高低頻注意力機制對RT?DETR模型進行改進；基于所述路面裂縫樣本集對改進后的RT?DETR模型進行訓(xùn)練，獲取裂縫檢測模型；基于所述裂縫檢測模型對采集到的路面圖像進行檢測，確定所述路面圖像中的目標(biāo)裂縫，本發(fā)明有效解決了在復(fù)雜路面情況下裂縫特征提取困難的問題，同時需要處理圖像中的噪聲、陰影、紋理等干擾因素，導(dǎo)致路面裂縫識別的通用性以及準(zhǔn)確性不佳的技術(shù)問題，實現(xiàn)了提高路面裂縫特征提取精度，統(tǒng)一路面病害檢測標(biāo)準(zhǔn)的技術(shù)效果。

技術(shù)研發(fā)人員：劉國璽,代飛,黃苾,白雪,董躍宇,李樂成,巫曉靜,劉國志,甘健侯,周菊香,王俊
受保護的技術(shù)使用者：西南林業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6