一种基于HCD-YOLOv8n的GPR图像识别方法与流程

摘要: 本发明属于图像识别和计算机视觉,特别是涉及一种基于hcd-yolov8n的gpr图像识别方法。背景技术:1、gpr图像识别属于计算机视觉在探地雷达图像分析中的应...
一种基于HCD-YOLOv8n的GPR图像识别方法与流程

本发明属于图像识别和计算机视觉,特别是涉及一种基于hcd-yolov8n的gpr图像识别方法。

背景技术:

1、gpr图像识别属于计算机视觉在探地雷达图像分析中的应用。探地雷达利用电磁波获取地下目标的图像信息,常用于地下管线、空洞、脱空区域及异常区域的检测。城市道路、地下管廊、施工场地和市政维护场景中,gpr图像数据规模持续增加。人工判读依赖经验,处理周期较长,难以适应批量图像识别需求。深度学习目标检测模型已用于gpr图像分析。yolo系列模型具有端到端检测特点,在图像输入后直接输出目标类别和目标图像区域。yolov8n属于轻量化检测网络,模型参数量较低,推理速度较快,适合部署在pc端或现场检测设备中。现有gpr图像识别流程通常包括图像采集、图像标注、样本训练、模型推理和识别结果输出,识别结果一般包括目标边界框、目标类别和类别置信度。

2、现有轻量化gpr图像识别网络在多尺度特征传递过程中,未针对gpr图像中弧形弱边界目标的方向性纹理和局部上下文关联建立有效的特征增强机制,导致浅层纹理特征在融合后被背景杂波淹没,检测头输出的目标图像区域坐标和类别置信度不稳定。

技术实现思路

1、针对现有技术的不足,本发明提供了一种基于hcd-yolov8n的gpr图像识别方法,该发明要解决的技术问题是:如何通过基于hcd-yolov8n的gpr图像识别流程,利用多尺度特征提取、方向注意力引导的上下文特征融合和局部检测响应加权融合,解决gpr图像中弧形弱边界目标特征传递不稳定,导致目标图像区域坐标和类别置信度输出不稳定的问题。

2、为实现以上目的,本发明通过以下技术方案予以实现:一种基于hcd-yolov8n的gpr图像识别方法,包括:

3、s1.获取待识别gpr图像,对所述待识别gpr图像进行图像标准化处理,形成图像输入数据,所述图像输入数据包含用于表征gpr图像中弧形弱边界目标的灰度纹理信息;

4、s2.将所述图像输入数据输入hcd-yolov8n图像识别网络的hgnetv2主干网络,由所述hgnetv2主干网络提取多个尺度的gpr图像特征图,所述多个尺度的gpr图像特征图包括浅层纹理特征图和深层语义特征图;

5、s3.将所述多个尺度的gpr图像特征图输入hcd-yolov8n图像识别网络的casa特征增强模块,由所述casa特征增强模块根据所述浅层纹理特征图中的水平方向纹理响应和垂直方向纹理响应,确定所述水平方向纹理响应与所述垂直方向纹理响应的响应重合位置和响应连续方向,并根据所述响应重合位置和所述响应连续方向生成面向所述弧形弱边界目标特征的方向注意力权重;

6、s4.根据所述方向注意力权重,对所述浅层纹理特征图和所述深层语义特征图进行上下文特征融合,生成带有所述方向注意力权重约束的上下文融合特征图,并将所述上下文融合特征图输入hcd-yolov8n图像识别网络的dwla head检测头,由所述dwla head检测头根据所述方向注意力权重,在所述上下文融合特征图的对应特征位置,对不同感受野下的局部检测响应进行加权融合,并生成目标图像区域预测信息和目标类别预测信息;

7、s5.根据所述目标图像区域预测信息和所述目标类别预测信息输出gpr图像识别结果,所述gpr图像识别结果包括目标图像区域坐标、目标类别标识和类别置信度。

8、本发明进一步设置为,所述图像输入数据的尺寸为640×640像素,所述图像输入数据的灰度值位于0至1的归一化数值范围内。

9、本发明进一步设置为,所述多个尺度的gpr图像特征图包括特征尺寸为160×160、80×80、40×40和20×20的特征图。

10、本发明进一步设置为,所述casa特征增强模块包括水平方向深度可分离卷积单元、垂直方向深度可分离卷积单元、上下文注意力单元和特征变换单元。

11、本发明进一步设置为,所述响应重合位置为同一特征位置处的水平方向纹理响应达到预设水平方向响应阈值,且垂直方向纹理响应达到预设垂直方向响应阈值的特征位置。

12、本发明进一步设置为,所述响应连续方向为多个所述响应重合位置沿相邻特征位置形成的方向延伸关系,所述方向注意力权重为依据所述响应重合位置处的水平方向纹理响应和垂直方向纹理响应的响应强度,以及所述响应连续方向上的连续特征位置数量确定的权重值。

13、本发明进一步设置为,所述方向注意力权重构成与特征尺寸为80×80的所述浅层纹理特征图相对应的方向注意力权重图,所述方向注意力权重图按照邻近区域平均方式分别映射至特征尺寸为40×40和20×20的所述深层语义特征图,以约束所述浅层纹理特征图和所述深层语义特征图的上下文特征融合。

14、本发明进一步设置为,所述dwla head检测头包括多个并行空洞卷积分支,所述多个并行空洞卷积分支的空洞率分别为1、2和3,所述不同感受野下的局部检测响应分别对应不同空洞率的并行空洞卷积分支。

15、本发明的有益效果如下:本发明通过基于hcd-yolov8n的gpr图像识别流程,将待识别gpr图像标准化为图像输入数据,并利用hgnetv2主干网络提取浅层纹理特征图和深层语义特征图,实现了对gpr图像中弧形弱边界目标的多尺度特征的提取与分层表达。相比仅依赖常规轻量化目标检测网络的识别方式,本发明在图像特征传递过程中保留了弧形弱边界目标的灰度纹理信息,使后续目标图像区域坐标和目标类别标识的输出具有更稳定的输入信息。

16、本发明采用casa特征增强模块生成面向弧形弱边界目标的方向注意力权重,并采用dwla head检测头对不同感受野下的局部检测响应进行加权,使水平方向纹理响应、垂直方向纹理响应和局部上下文信息参与目标检测输出,降低了浅层纹理特征被背景杂波淹没的程度,提高了弧形弱边界目标在复杂gpr图像中的区域定位和类别识别鲁棒性。

1.一种基于hcd-yolov8n的gpr图像识别方法,其特征在于,包括:

2.根据权利要求1所述的一种基于hcd-yolov8n的gpr图像识别方法,其特征在于:所述图像输入数据的尺寸为640×640像素,所述图像输入数据的灰度值位于0至1的归一化数值范围内。

3.根据权利要求1所述的一种基于hcd-yolov8n的gpr图像识别方法,其特征在于:所述多个尺度的gpr图像特征图包括特征尺寸为160×160、80×80、40×40和20×20的特征图。

4.根据权利要求1所述的一种基于hcd-yolov8n的gpr图像识别方法,其特征在于:所述casa特征增强模块包括水平方向深度可分离卷积单元、垂直方向深度可分离卷积单元、上下文注意力单元和特征变换单元。

5.根据权利要求1所述的一种基于hcd-yolov8n的gpr图像识别方法,其特征在于:所述响应重合位置为同一特征位置处的水平方向纹理响应达到预设水平方向响应阈值,且垂直方向纹理响应达到预设垂直方向响应阈值的特征位置。

6.根据权利要求1所述的一种基于hcd-yolov8n的gpr图像识别方法,其特征在于:所述响应连续方向为多个所述响应重合位置沿相邻特征位置形成的方向延伸关系,所述方向注意力权重为依据所述响应重合位置处的水平方向纹理响应和垂直方向纹理响应的响应强度,以及所述响应连续方向上的连续特征位置数量确定的权重值。

7.根据权利要求6所述的一种基于hcd-yolov8n的gpr图像识别方法,其特征在于:所述方向注意力权重构成与特征尺寸为80×80的所述浅层纹理特征图相对应的方向注意力权重图,所述方向注意力权重图按照邻近区域平均方式分别映射至特征尺寸为40×40和20×20的所述深层语义特征图,以约束所述浅层纹理特征图和所述深层语义特征图的上下文特征融合。

8.根据权利要求1所述的一种基于hcd-yolov8n的gpr图像识别方法,其特征在于:所述dwla head检测头包括多个并行空洞卷积分支,所述多个并行空洞卷积分支的空洞率分别为1、2和3,所述不同感受野下的局部检测响应分别对应不同空洞率的并行空洞卷积分支。