基于多通道特征融合的道路病害智能檢測算法

賈睿JIA Rui；趙紅巖ZHAO Hong-yan

（遼寧省交通高等?？茖W(xué)校，沈陽 110122）

1 研究背景

快速發(fā)展的道路交通基礎(chǔ)設(shè)施為人們?nèi)粘Ｉ钐峁┍憷?，同時也給道路病害檢測和養(yǎng)護帶來了新的挑戰(zhàn)。隨著我國交通運輸量的持續(xù)增長，路面在交通設(shè)備的壓力下，會產(chǎn)生各種不同類型、不同程度的病害。若道路病害沒有被及時發(fā)現(xiàn)并處理，會影響車輛行駛安全、減少道路設(shè)備的使用年限、增加交通養(yǎng)護成本，還有很大可能引發(fā)交通事故[1]。目前，傳統(tǒng)道路巡檢主要采用數(shù)據(jù)采集+專家判斷的形式，其檢測準確性依賴于設(shè)備精準度和人員水平，存在巡檢時間長、養(yǎng)護成本高、人工依賴度高、檢測精準率低等問題[2]。因此使用先進技術(shù)手段，對道路病害進行快速、準確、智能檢測具有重大意義，成為道路巡檢養(yǎng)護管理的發(fā)展趨勢。

以產(chǎn)業(yè)數(shù)字化為發(fā)展趨勢的時代背景下，道路養(yǎng)護行業(yè)在使用數(shù)字化技術(shù)來實現(xiàn)高效準確的道路病害智能巡檢和養(yǎng)護。隨著人工智能和計算機視覺的發(fā)展，很多科研人員將深度學(xué)習(xí)將卷積神經(jīng)網(wǎng)絡(luò)引入道路病害檢測領(lǐng)域，取得了良好成效，提升病害識別性能，降低檢測成本。

不同于傳統(tǒng)圖像處理中需要人為設(shè)計特征的模式，深度卷積神經(jīng)網(wǎng)絡(luò)具有特征自動發(fā)現(xiàn)功能。因此，基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路病害檢測算法能夠自主進行病害特征學(xué)習(xí)和識別，具有檢測準確率高、環(huán)境適應(yīng)性強、時效高等特點。相關(guān)研究成果已應(yīng)用于道路養(yǎng)護巡檢、路面完整性驗證等領(lǐng)域，帶動道路巡檢與道路養(yǎng)護模式的轉(zhuǎn)型，通過技術(shù)創(chuàng)新推動我國道路安全巡檢技術(shù)的產(chǎn)業(yè)升級。

2 研究現(xiàn)狀

目前，主流路面病害檢測算法有兩種：傳統(tǒng)圖像處理算法和深度卷積神經(jīng)網(wǎng)絡(luò)算法。

傳統(tǒng)圖像處理算法首先由專家根據(jù)經(jīng)驗來定義病害的圖像特征，再利用此圖像特征進行病害檢測、定位和評估。Wang[3]使用模板匹配和濾波算法來識別公路路面裂縫病害。Hu[4]提出了局部二值模式算子對裂縫病害進行識別。DIXIT[5]使用Sobel算子提取病害的梯度特征。SALMAN[6]利用邊緣檢測算法來提取病害特征。然而，由于需要人工設(shè)計各類型病害特征，傳統(tǒng)圖像處理算法容易受光照、陰影和路面障礙等環(huán)境因素影響，檢測準確率不高，難以應(yīng)對復(fù)雜多變的不同道路病害。

不同于傳統(tǒng)圖像處理中需要人為設(shè)計特征的模式，深度卷積神經(jīng)網(wǎng)絡(luò)具有特征自動發(fā)現(xiàn)功能。沙愛民[7]使用卷積神經(jīng)網(wǎng)絡(luò)進行病害分離，此方法采用滑動窗口方式進行圖處理，將整體圖像切分為不同子塊，然后將圖像子塊輸入神經(jīng)網(wǎng)絡(luò)，根據(jù)分類結(jié)果以判斷輸入圖像子塊是否是病害。MAEDA[8]將端到端的目標檢測算法應(yīng)用于路面病害檢測。田楊[9]采用Fast-RCNN算法來自動化識別坑槽、裂縫等的道路病害信息。孫朝云[10]改進SSD目標檢測模型，使用殘差模塊來進行路面裂縫特征提取，并在提取的特征圖上進行檢測，識別道路裂縫。許慧青[11]針對細長路面病害的語義特性和形狀屬性，提出雙階段路面病害檢測方法Epd RCNN。羅暉[12]針對路面病害存在種類多、形狀多樣、數(shù)據(jù)量不足等問題，導(dǎo)致病害檢測難度大的現(xiàn)狀，提出基于YOLOv4的路面多尺度病害檢測算法。

3 基于通道特征融合的道路病害檢測算法

3.1 YOLOv5網(wǎng)絡(luò)模型

YOLOv5是一種單階段目標檢測算法，在前序版本基礎(chǔ)上增加了若干改進點及優(yōu)化技巧，使YOLOv5算法的運行性能和檢測準確率得到很大提升。YOLOv5算法模型主要分為四個模塊：輸入端、骨干網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)與Head輸出端，其中骨干網(wǎng)絡(luò)采用CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)。輸入端采用Mosaic數(shù)據(jù)增強技術(shù)，對輸入檢測圖像進行各種變換操作，并提出自適應(yīng)錨框計算與自適應(yīng)圖片縮放方法，如圖1所示。骨干網(wǎng)絡(luò)使用了CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)，并融合Focus結(jié)構(gòu)，用于提取圖像特征表示。Neck網(wǎng)絡(luò)采用SPP模塊、FPN+PAN模塊，其位于骨干網(wǎng)絡(luò)和頭網(wǎng)絡(luò)的中間，利用它可以進一步提升特征的多樣性及魯棒性。Head輸出端完成目標檢測結(jié)果的輸出，利用GIOU_Loss作為損失函數(shù)，能夠解決病害圖像和背景圖像不均衡問題，從而進一步提升算法的檢測精度。

3.2 Attention-YOLOv5模型

為了更好識別道路病害，在檢測網(wǎng)絡(luò)模型中引入通道注意力模塊SE Block[13]，通過學(xué)習(xí)的方式來自動學(xué)習(xí)到各個特征通道的重要程度，對各通道進行加權(quán)運算，使模型更加關(guān)注信息量最大的特征通道，抑制那些不重要的特征通道，從而提升病害檢測準確度。通道注意力模塊結(jié)構(gòu)示意圖，如圖2所示。

同時，將增加注意力權(quán)重后的特征傳遞至下一層特征識別模塊，利用高層注意力信息和低層注意力信息，實現(xiàn)多尺度圖像特征融合，增加多類型多尺度病害檢測的魯棒性，更好地提取病害特征和病害位置。

4 實驗與結(jié)果

4.1 道路病害數(shù)據(jù)集

本文采使用GRDDC 2020數(shù)據(jù)集，來源為全球道路病害檢測挑戰(zhàn)者，數(shù)據(jù)集中包含來自捷克、日本、印度等不同地區(qū)的真實道路病害圖片，主要標識了橫向裂紋、縱向裂紋、龜裂紋、坑洼等常見道路病害。由于數(shù)據(jù)來自于全球不同地區(qū)，包括發(fā)達國家和發(fā)展中國家，因此路面硬化的質(zhì)量各不相同，且每種損壞類型的損壞程度、面積、長寬比等差異巨大，代表了各種類型路面病害的真實情況。

4.2 實驗結(jié)果

為驗證本文算法的有效性，比較道路病害檢測模型的性能和準確性，在道路病害數(shù)據(jù)集上進行了實驗，將提出的改進模型結(jié)構(gòu)與原始YOLOv5檢測模型進行實驗比較，在同一運行環(huán)境下進行對比分析，如表1所示。采用的實驗配置如下：CPU為Intel至強W-2150B，主頻為3.0GHz，內(nèi)存為64GB；GPU為Nvidia GTX 2080Ti，顯存為11GB；PyTorch 1.7.1，CUDA 11.4。

表1 原始模型與改進模型效果數(shù)據(jù)對比

更加直觀地驗證病害檢測模型性能，利用帶有注意力機制的YOLOv5檢測模型在數(shù)據(jù)測試集上進行可視化檢測，結(jié)果如圖3所示。

可以看出改進后的Attention-YOLOv5檢測模型能夠檢測出大部分病害，識別出病害類型，標出病害位置信息，且在不同光照環(huán)境下也能給出良好的檢測結(jié)果。但檢測結(jié)果出現(xiàn)一定漏檢和誤檢現(xiàn)象，尤其是對一些小道路病害，檢測結(jié)果還有待進一步改進，這是由于YOLO檢測模型屬于單階段檢測算法，其對于小目標物體檢測存在不足，后續(xù)考慮增加多層級特征融合來進一步提升檢測精準度。

5 結(jié)束語

本文針對道路病害智能檢測應(yīng)用，提出一種Attention-YOLOv5檢測模型，該模型引入通道注意力模塊，將其融入YOLOv5目標檢測模型中，利用通道注意力模塊為多層級病害特征賦予權(quán)重，弱化背景和噪聲影響，提升病害檢測性能，增加不同類型病害檢測的魯棒性。實驗數(shù)據(jù)表明本文提出的病害檢測算法模型具有很好的泛化性能，可廣泛用于道路養(yǎng)護和巡檢等實際場景中，推進公路交通智慧養(yǎng)護的發(fā)展。在后續(xù)的工作中可近一步提升算法特征提取能力，優(yōu)化模型檢測速度。