一种面向无人机视角的道路细微病害智能检测方法及装置

本发明属于道路交通基础设施智能巡检与计算机视觉交叉，尤其涉及一种面向无人机视角的道路细微病害智能检测方法。

背景技术：

1、随着道路基础设施规模不断扩大及服役年限持续增长，路面病害的早期发现与及时维护对保障通行安全、延长道路寿命和降低养护成本具有重要意义。传统道路巡检方式主要依赖人工目测或车载巡检设备，存在作业效率低、覆盖范围有限、对交通干扰较大以及对山区、桥梁、狭窄路段等特殊场景适应性不足等问题。近年来，无人机因具有机动灵活、非接触式获取数据、覆盖范围广和部署成本相对较低等优点，逐渐成为道路病害巡检的重要载体。

2、然而，无人机俯视图像与传统地面平视图像在目标尺度分布、背景构成和成像几何关系上存在显著差异。首先，无人机图像中的道路病害目标，特别是细微裂缝，通常仅占据图像极少的像素区域，甚至在局部仅表现为弱纹理结构；其次，道路表面常伴随树影、井盖、轮胎痕迹、路面修补痕迹和杂物等复杂背景干扰，导致病害区域与背景之间的灰度差异较小；再次，裂缝类病害通常具有明显的细长形态和较大的长宽比，其几何主方向突出，传统通用目标检测算法在该类目标上的边界框定位稳定性较差。

3、现有基于卷积神经网络的通用目标检测模型虽然在常规视觉任务中具有较好性能，但在无人机道路细微病害场景中仍存在明显不足。其一，常规骨干网络通常采用步长卷积或池化进行下采样，在压缩空间分辨率的同时会直接丢失小尺度裂缝的细粒度纹理信息，导致漏检率上升；其二，常规多尺度特征融合方法往往更重视局部相邻层级的信息传递，而缺少对全局语义和方向敏感特征的协同建模，难以有效抑制复杂背景中的伪目标；其三，传统iou类边界框损失函数主要关注重叠面积、中心距离和宽高比，对细长裂缝这类强方向性目标的回归约束不足，容易产生定位偏移。

技术实现思路

1、针对以上问题，本发明提供一种面向无人机视角的道路细微病害智能检测方法、装置、电子设备及存储介质，能够降低对道路病害的漏检率和误检率，提高对细长裂缝类病害的敏感性，实现准确定位道路细微病害。

2、按照本发明的一个方面，提供了一种面向无人机视角的道路细微病害智能检测方法，包括：

3、对道路俯视图像进行预处理与输入适配，得到标准化输入图像；所述道路俯视图像通过无人机飞行平台搭载的图像采集设备获取；

4、将所述标准化输入图像送入特征提取网络，在骨干网络的至少一个浅层下采样阶段，采用空间深度转换与卷积融合相结合的无损下采样结构对特征图进行处理，得到多尺度特征图；

5、对所述多尺度特征图执行全局聚集与分发，将各尺度特征进行尺度对齐和特征融合，得到全局聚集特征，再将全局聚集特征注入回各尺度特征图；

6、在特征融合过程中引入坐标注意力机制，对特征融合后的特征图沿水平方向和垂直方向分别提取位置敏感信息，生成对应注意力权重，对输入特征进行方向敏感加权，对多尺度特征图进行增强；

7、将增强后的多尺度特征图输入检测头，执行病害类别预测和边界框回归，输出候选结果；所述边界框回归采用包含角度成本项的损失函数；

8、对所述候选结果进行后处理，输出道路细微病害的类别、位置和置信度信息。

9、在对道路俯视图像进行预处理与输入适配时，所述预处理至少包括图像去噪、亮度或颜色标准化、尺寸标准化、重叠滑窗裁切以及标签同步映射中的一种或多种操作；所述道路俯视图像通过无人机飞行平台搭载的图像采集设备获取，图像采集既可以采用单帧图像采集方式，也可以采用视频流逐帧截取方式；图像数据可实时输入机载边缘计算终端，也可存储后离线处理。

10、在将所述标准化输入图像送入特征提取网络的过程中，在骨干网络的至少一个浅层下采样阶段，用空间深度转换与卷积融合相结合的无损下采样结构替代传统步长卷积或池化操作；

11、用表示输入特征图，其中，为特征图高度，为特征图宽度，为通道数；设空间深度转换的步长为，则经无损重排后输出特征图为：

12、

13、其映射关系可表示为：

14、

15、其中，和表示重排后特征图的空间位置索引，表示原始通道索引，和表示切片偏移量；上述过程实质上是将原特征图中局部邻域的空间像素按规则重排到通道维度，从而在空间分辨率下降的同时，不直接丢弃任何像素采样点；随后，对重排后的特征图执行卷积融合：，以实现空间信息向通道维度的无损迁移与特征整合。

16、在对无损下采样得到的多尺度特征图执行全局聚集与分发时，设不同尺度特征分别为、和，先进行通道调整和空间尺度对齐，得到：

17、

18、其中，表示尺度对齐后的特征，表示尺度对齐映射函数，可由上采样、下采样、卷积调整或其组合构成；将尺度对齐后的特征进行融合，得到全局聚集特征：

19、

20、其中，表示全局聚集特征，为聚集函数，可采用拼接后卷积、加权求和、线性变换、mlp映射等实现形式；再将全局聚集特征通过对应映射函数注入回各尺度特征图：

21、

22、其中，表示增强后的多尺度特征图，为分发映射函数，用于将全局语义信息重新分配到各尺度分支。

23、在特征融合过程中，输入特征表示为：，分别沿两个方向进行一维聚合：

24、

25、其中，表示沿宽度方向聚合得到的水平描述，表示沿高度方向聚合得到的垂直描述；将两组方向描述经映射函数生成对应注意力权重：

26、

27、其中，表示宽度方向的注意力权重，表示高度方向的注意力权重，和为映射函数，为激活函数；最终对输入特征进行方向敏感加权，得到增强后的多尺度特征图：

28、

29、其中，为增强后的多尺度特征图。

30、该方向敏感增强方式能够突出裂缝骨架特征并抑制背景伪响应。

31、在将增强后的多尺度特征图输入检测头时，边界框回归采用包含角度成本项的损失函数为：

32、

33、其中，表示损失函数，表示预测框与真实框的交并比，表示中心距离损失项，表示形状差异损失项，表示角度成本项；进一步地，角度成本项可表示为：

34、

35、其中，为与预测框中心偏移方向相关的归一化角度参数；通过该损失函数，可以提高细长裂缝目标的方向一致性和几何贴合度。

36、对检测头输出的候选结果进行后处理时，输出道路细微病害的类别、位置和置信度信息。优选地，输出类别包括纵向裂缝、横向裂缝、斜向裂缝、龟裂、坑槽和修补区域。检测结果可实时显示于地面监控终端，也可输出至病害数据库或道路养护决策系统。

37、按照本发明的另一方面，提供了一种面向无人机视角的道路细微病害智能检测装置，包括图像获取模块、预处理模块、无损下采样特征提取模块、全局局部协同增强模块以及检测输出模块。所述装置可集成于机载边缘计算终端、地面服务器或其他电子处理平台中。

38、按照本发明的另一方面，提供了一种电子设备，包括处理器、存储器以及存储于所述存储器中的计算机程序，所述计算机程序被所述处理器执行时，实现上述道路细微病害智能检测方法。

39、按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述道路细微病害智能检测方法。

40、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

41、本发明针对无人机俯视道路图像独有成像缺陷提出三项核心创新：提出基于空间深度转换的无损下采样机制，适配无人机航拍细微裂缝像素占比极低、细粒度纹理易丢失的成像特点，实现细微裂缝空间信息向通道维度的完整迁移；提出基于全局聚集与分发与坐标注意力相结合的全局局部协同增强策略，适配无人机俯视路面树影、修补痕迹、井盖等全局复杂背景干扰场景，实现全局语义协调与裂缝方向敏感聚焦；提出包含角度成本项的边界框损失函数，适配无人机航拍裂缝长宽比大、随机倾斜的几何特征，提高细长裂缝类目标的方向一致性与定位精度。整体方案专门适配无人机道路巡检俯视图像采集场景，显著降低无人机航拍画面中道路细微病害的漏检率和误检率，实现复杂航拍路况下细微病害的精准定位与分类。