基于子带重加权的无人机道路病害检测方法及系统

本发明涉及道路工程智能检测与计算机视觉领域，尤其涉及基于子带重加权的无人机道路病害检测方法及系统。

背景技术：

1、随着无人机巡检和计算机视觉技术的发展，利用无人机采集道路表面图像或视频并通过目标检测网络识别裂缝、龟裂、修补和坑槽等病害，已成为道路养护信息化的重要技术路径。现有检测网络通常通过步长卷积逐级降低特征图分辨率，并通过特征金字塔组合不同尺度的语义信息。

2、然而，步长卷积在降采样过程中缺少对不同频率信息的显式分离，容易产生频率混叠，使裂缝边缘、坑槽轮廓和局部纹理等细节衰减；无人机视角下病害尺度差异较大，细长裂缝纹理较弱且边界易受复杂路面背景干扰，常规等权拼接式融合难以按输入内容确定不同尺度分支的贡献。此外，固定边界框回归损失容易使离群预测框产生的梯度影响网络参数更新，降低定位稳定性。

3、因此，需要一种能够解决上述现有技术不足的基于子带重加权的无人机道路病害检测方法及系统。

技术实现思路

1、本发明的一个目的在于提出基于子带重加权的无人机道路病害检测方法及系统，针对现有技术在特征降采样时缺少频率分离、常规多尺度融合无法自适应确定分支贡献以及离群预测框影响回归训练的问题，构建以道路病害检测网络为主体的处理链。在颈部网络的自顶向下和自底向上传递路径中配置非负且归一化的可学习分支权重，并在自底向上两级降采样路径中设置可学习子带重加权haar小波下采样模块，将输入特征分解为四类子带后分别重加权、拼接和投影；训练时利用wiouv3根据样本离群程度调节梯度贡献。本发明能够在控制通道规模的同时保留低频结构和高频边缘纹理，使不同尺度特征的贡献随训练自适应调整，并改善道路病害边界框的定位稳定性。

2、本发明提供了一种基于子带重加权的无人机道路病害检测方法，包括：

3、s1、获取无人机采集的道路表面图像或视频，对所述道路表面图像或所述视频的图像帧进行尺度适配，得到待检测道路图像；

4、s2、将所述待检测道路图像输入训练得到的道路病害检测网络，通过主干网络提取p3尺度特征、p4尺度特征和p5尺度特征；

5、s3、在颈部网络的自顶向下传递路径中，按照非负且归一化的可学习分支权重，将所述p5尺度特征上采样后与所述p4尺度特征融合得到p4尺度中间特征，再将所述p4尺度中间特征上采样后与所述p3尺度特征融合得到p3尺度融合特征；

6、s4、在所述颈部网络的自底向上传递路径中，将所述p3尺度融合特征及后续形成的p4尺度融合特征依次输入可学习子带重加权haar小波下采样模块；所述模块利用haar小波变换获得四类子带，按照非负且归一化的可学习子带权重进行重加权、通道拼接和投影；将各级下采样特征与对应尺度特征按照所述可学习分支权重融合，依次得到所述p4尺度融合特征和p5尺度融合特征；

7、s5、将各尺度融合特征输入检测头，得到道路病害候选框、病害类别和置信度，形成道路病害检测结果。

8、可选的，s1包括：读取输入数据的文件格式和尺寸信息，对图像文件进行可解码性校验，对视频文件按照预设帧间隔或时间戳序列提取图像帧，并对解码失败的输入数据记录输入异常标志且停止对该输入数据的后续处理；

9、按照所述道路病害检测网络的输入尺寸对通过校验的图像或图像帧进行等比例缩放和边缘填充，并记录缩放比例及填充偏移量，以形成所述待检测道路图像及其坐标还原参数。

10、可选的，s2包括：将以yolo11s为基础网络构建并训练得到的所述道路病害检测网络作为特征提取网络；

11、所述主干网络依次对所述待检测道路图像进行卷积和特征提取，输出相对于所述待检测道路图像分别具有八倍、十六倍和三十二倍下采样倍率的所述p3尺度特征、所述p4尺度特征和所述p5尺度特征；

12、进一步的，所述道路病害检测网络的训练包括：采用wiouv3边界框回归损失，根据当前训练样本的交并比损失与所述交并比损失的滑动平均值确定样本离群程度；

13、依据所述样本离群程度生成非单调聚焦系数，并利用所述非单调聚焦系数调节所述当前训练样本的边界框回归梯度贡献，以降低离群预测框对网络参数更新的影响。

14、可选的，s3包括：所述颈部网络构成加权双向特征金字塔网络；

15、所述自顶向下传递路径将所述p5尺度特征上采样后与所述p4尺度特征进行融合，得到所述p4尺度中间特征，并将所述p4尺度中间特征上采样后与所述p3尺度特征进行融合，得到所述p3尺度融合特征；

16、所述自底向上传递路径将所述p3尺度融合特征经所述可学习子带重加权haar小波下采样模块处理后，与所述p4尺度中间特征及所述p4尺度特征进行融合，得到所述p4尺度融合特征，并将所述p4尺度融合特征经所述可学习子带重加权haar小波下采样模块处理后，与所述p5尺度特征进行融合，得到所述p5尺度融合特征；

17、每一融合节点为其输入分支分别配置可学习参数，利用softplus函数进行正值约束并按照正值之和进行归一化，以所得可学习分支权重计算各输入分支的加权和。

18、可选的，s4包括：所述模块设置有空间分量划分层和固定haar分解层；

19、所述空间分量划分层按照奇数行奇数列、奇数行偶数列、偶数行奇数列和偶数行偶数列的位置关系，将输入特征图的每个二乘二局部区域划分为四个空间分量；

20、所述固定haar分解层采用固定haar变换核，针对所述四个空间分量进行和差组合，生成所述低频近似子带、水平高频细节子带、垂直高频细节子带和对角高频子带；

21、进一步的，所述可学习子带重加权haar小波下采样模块还包括子带重加权层和投影层；

22、所述子带重加权层为四个子带分别配置可学习参数，利用softplus函数将所述可学习参数转换为正值，并以四个正值之和对各正值进行归一化，得到所述可学习子带权重；

23、将各可学习子带权重与对应子带逐元素相乘后沿通道维拼接；

24、所述投影层依次通过一乘一卷积、批归一化和激活函数对拼接结果执行跨频带信息交互及通道压缩，输出对应的下采样特征。

25、可选的，s5包括：所述检测头分别对所述p3尺度融合特征、所述p4尺度融合特征和所述p5尺度融合特征进行分类预测和边界框回归，输出各道路病害候选框针对各病害类别的类别概率和边界框参数，将数值最大的类别概率对应的病害类别确定为该道路病害候选框的病害类别，并将所述数值最大的类别概率确定为该道路病害候选框的置信度；

26、读取步骤s1中尺度适配时记录的缩放比例和填充偏移量，根据所述缩放比例和所述填充偏移量将所述道路病害候选框的边界框坐标映射至所述道路表面图像或所述视频的原始坐标系；

27、进一步的，所述病害类别包括纵向裂缝、横向裂缝、龟裂、斜裂缝、修补和坑槽；

28、将所述置信度不小于预设置信度阈值的道路病害候选框按照置信度降序排列，保留当前排序首位的道路病害候选框，删除病害类别相同且与所述排序首位的道路病害候选框之间的交并比大于预设重叠阈值的其余道路病害候选框，并对未处理的道路病害候选框重复所述排序、保留和删除处理；

29、基于保留的道路病害候选框生成带标注的图像或视频、包含病害类别、边界框坐标及置信度的结构化标签文件以及按病害类别汇总的数量统计结果。

30、另一方面，本发明还提供基于子带重加权的无人机道路病害检测系统，包括：

31、输入处理模块，用于获取无人机采集的道路表面图像或视频并进行格式校验、图像帧提取和尺度适配，得到待检测道路图像；多尺度特征提取模块，用于利用训练得到的道路病害检测网络的主干网络提取p3尺度特征、p4尺度特征和p5尺度特征；双向加权融合模块，用于按照融合节点的非负且归一化的可学习分支权重在自顶向下传递路径中得到p4尺度中间特征和p3尺度融合特征，并在自底向上传递路径中得到p4尺度融合特征和p5尺度融合特征；子带重加权下采样模块，用于对所述p3尺度融合特征和所述p4尺度融合特征依次进行haar小波分解、子带重加权、通道拼接和投影，向所述自底向上传递路径输出对应的下采样特征；病害检测输出模块，用于根据所述p3尺度融合特征、所述p4尺度融合特征和所述p5尺度融合特征生成道路病害候选框、病害类别和置信度，并经过置信度筛选和重叠候选框抑制得到道路病害检测结果。

32、本发明的有益效果是：

33、1、通过固定haar变换将降采样输入显式分解为低频近似子带、两个方向的高频细节子带和对角高频子带，并利用可学习的非负归一化权重进行子带重加权，有利于在降低特征图分辨率时同时保留道路结构信息以及裂缝边缘、坑槽轮廓和局部纹理信息。

34、2、通过在自顶向下和自底向上传递路径的融合节点设置可学习分支权重，使p3、p4和p5尺度特征能够按照训练结果确定各输入分支的贡献，增强不同尺度语义、边缘和纹理信息之间的协同表达。

35、3、通过wiouv3根据交并比损失及其滑动平均值确定样本离群程度，并利用非单调聚焦系数调节边界框回归梯度贡献，有利于减弱离群预测框对参数更新的影响，提高不规则道路病害定位与检测训练的稳定性。