基于无人机巡检的背景抑制方法及系统

本发明涉及智能检测，具体涉及基于无人机巡检的背景抑制方法及系统。

背景技术：

1、道路巡检是道路养护和交通安全管理中的重要环节，巡检对象通常包括路面裂缝、坑槽、破损等道路病害。随着无人机平台、高清成像设备和深度学习视觉算法的发展，道路巡检逐渐由人工现场检查向自动化、智能化和高频化方向演进。无人机能够在较大范围内快速采集道路图像，目标检测、语义分割和特征增强等计算机视觉技术则可用于从巡检图像中识别裂缝等病害目标。

2、现有yolov11目标检测网络通常采用端到端的单阶段检测流程完成道路病害识别任务，具体而言输入的道路图像送入网络主干特征提取模块，通过多层卷积结构逐级提取图像的低层纹理特征与高层语义特征，随后，特征图在颈部网络中通过特征金字塔结构进行多尺度融合，输出最终的道路病害检测结果。

3、但是yolov11检测网络在实际复杂道路巡检场景中仍存在一定局限性：对于细小裂缝等目标的特征表达能力不足，容易出现漏检现象；同时在阴影、水渍、路面纹理等复杂背景干扰下，易产生背景误检问题，降低检测结果的可靠性。

技术实现思路

1、针对现有技术所存在的上述缺点，本发明提供了基于无人机巡检的背景抑制方法及系统。

2、为实现以上目的，本发明通过以下技术方案予以实现：

3、基于无人机巡检的背景抑制方法，包括以下步骤：

4、s1、对裂缝图像进行目标框标注，提取裂缝局部特征，并对多张裂缝局部特征进行池化和融合处理形成标准裂缝特征；

5、s2、采集待检测道路图像，统一尺寸后均匀分为多个图像块，并通过卷积逐块提取道路局部特征；

6、s3、获取道路局部特征与标准裂缝特征，通过余弦相似度计算得到特征之间的相似度，并依据道路局部特征图像块在待检测道路图像中的行列位置，生成相似度矩阵；

7、s4、基于相似度矩阵对待检测道路图像中各图像块区域进行背景抑制和裂缝特征增强，输出背景抑制增强图，具体包括以下步骤：

8、（1）计算背景抑制权重；

9、（2）利用背景抑制权重对原始图像块特征进行加权增强，获取背景抑制后的增强特征；

10、（3）获取背景抑制权重图；

11、（4）基于背景抑制权重图对待检测图像进行加权处理，输出背景抑制增强图；

12、s5、将背景抑制增强图输入yolov11检测网络的主干特征提取部分，依次进行卷积归一化预处理、深层特征提取、c2psa注意力强化和空间金字塔池化sppf处理，获得多尺度基础特征图；

13、s6、将多尺度基础特征图输入yolov11检测网络的特征融合部分，采用上采样与拼接方式，融合深层高语义特征与浅层高分辨率细节特征，得到融合后的多尺度特征，并将融合后的多尺度特征送入检测头，输出裂缝的定位坐标、尺寸信息与置信度，完成最终识别。

14、更进一步的，所述步骤s1具体为：

15、选取多张标注清晰的无人机道路裂缝图像作为输入图像，并对输入图像中的裂缝目标进行目标框标注；

16、获取输入图像的目标框标注，通过卷积、归一化、激活函数提取裂缝局部特征；

17、对多张裂缝图像的裂缝局部特征进行空间池化、归一化和均值融合，形成稳定的标准裂缝特征。

18、更进一步的，所述步骤s2具体为：

19、通过无人机采集待检测道路图像，首先对图像进行尺寸统一处理，并进行归一化处理；

20、将预处理后的待检测道路图像按照固定尺寸均匀分为多个图像块；

21、针对每一个图像块，通过卷积逐块提取道路局部特征。

22、更进一步的，所述步骤s3具体为：

23、将道路局部特征与标准裂缝特征进行余弦相似度计算，以衡量每个图像块与标准裂缝特征之间的接近程度；

24、根据各道路局部特征图像块在待检测道路图像中的原始空间位置，将对应的相似度值映射回分块网格，生成与图像块空间布局一致的相似度矩阵。

25、更进一步的，所述步骤（1）中，背景抑制权重计算公式为：

26、

27、其中，为第i个分块的背景抑制权重，为sigmoid函数，t为相似度阈值，k为调节抑制强度的系数。

28、更进一步的，所述步骤（2）中，设原始图像块特征为，背景抑制后的增强特征计算公式为：

29、

30、其中，为背景抑制后的增强特征，为原始分块特征，为特征增强系数，为第i个分块的背景抑制权重。

31、更进一步的，所述步骤s5具体包括以下步骤：

32、s501、输入背景抑制增强图首先经过由卷积层、批归一化层与silu激活函数构成的基础单元，形成图像的初步特征映射与标准化；

33、s502、通过c3k2模块对执行图像的初步特征进行深层次的特征提取与通道交互处理，获得提取特征；

34、s503、将提取特征输入空间金字塔池化sppf模块，通过连续池化操作聚合不同尺度的上下文信息，获得多尺度上下文特征；

35、s504、将多尺度上下文特征输入c2psa注意力模块，对特征进行通道与空间维度的双重强化，获得注意力强化特征，最终输出多尺度基础特征图。

36、更进一步的，所述步骤s6包括以下步骤：

37、s601、对多尺度基础特征图进行逐级上采样，并与对应层级浅层特征进行拼接融合；再通过逐级下采样与高层特征进行拼接融合，经c3k2模块整合后，获得融合后的多尺度特征；

38、s602、将融合后的多尺度特征送入检测头，检测头通过并行分支分别预测目标的边界框位置、类别置信度以及目标置信度，输出裂缝的定位坐标、尺寸信息以及置信度得分。

39、基于无人机巡检的背景抑制系统，所述系统包括：

40、裂缝特征构建模块：输入裂缝图像进行目标框标注，提取裂缝局部特征，并对多张裂缝图像的裂缝局部特征执行池化及融合处理，得到标准裂缝特征；

41、道路局部特征提取模块：输入待检测道路图像，通过图像尺寸统一、均匀分块得到多个图像块，并通过卷积特征提取处理，得到图像块对应的道路局部特征；

42、余弦相似度计算模块：获取道路局部特征和标准裂缝特征，通过余弦相似度计算获得各道路图像块与标准裂缝特征之间的相似程度，生成相似度矩阵；

43、背景抑制增强模块：输入相似度矩阵及道路局部特征，计算背景抑制权重，基于背景抑制权重对原始图像块特征进行加权增强，获取背景抑制后的增强特征，并将背景抑制权重还原尺寸，得到背景抑制权重图，基于背景抑制权重图对待检测图像进行加权处理，输出背景抑制增强图；

44、yolov11检测网络：将背景抑制增强图输入yolov11检测网络，通过卷积归一化预处理、c3k2深层特征提取、c2psa注意力强化以及sppf空间金字塔池化处理，得到兼具局部细节信息和全局语义信息的多尺度基础特征图；将多尺度基础特征图输入yolov11检测网络的特征融合部分，通过上采样与concat特征融合生成多尺度融合特征，并利用检测头完成裂缝目标的位置、尺寸及置信度预测，得到裂缝检测结果。

45、本发明相较于现有技术，其有益效果为：

46、1、本发明通过构建标准裂缝特征向量，并将无人机巡检图像分块后与标准裂缝特征进行余弦相似度匹配，能够在检测前对图像中的阴影、水渍、路面纹理等非病害背景进行针对性抑制，同时对与裂缝特征相似度较高的区域进行保留和增强，相较于仅依赖检测网络自身学习背景差异的方式，该方案能够更直接地突出裂缝目标特征，降低复杂背景对检测结果的干扰，从而减少背景误检，并有利于保留细小裂缝、复杂裂缝等关键病害信息；

47、2、本发明通过将背景抑制增强模块与yolov11检测网络、多尺度特征提取、注意力强化和特征融合相结合，使模型既能关注裂缝局部纹理和边缘细节，又能利用深层语义信息完成定位与识别，同时通过阈值和增强系数的闭环优化，提高不同道路场景下的适应能力。