本发明涉及电子信息，具体涉及一种基于改进yolov8的道路缺陷识别方法、系统、存储介质、设备及程序。
背景技术：
1、道路表面缺陷检测对于维护道路基础设施、保障行车安全和改善行车环境至关重要。随着计算机视觉和深度学习技术的快速发展，许多方法被用于道路缺陷检测。目前，道路缺陷检测有三种方法：手动检测、基于数字图像处理技术、基于深度学习网络。手动检测是通过专业人员驾驶车辆在道路上记录裂缝的情况、损害程度和信息数量的方法。这种方法详细而全面，但人力和资源消耗大且效率低。
2、基于数字图像处理技术的方法需要提前手动设定好分割阈值。阈值的设定依赖于算法设计者的算法经验，由于不同道路缺陷粗细大小不一致，选择过高或过低的阈值可能导致漏检或误检，从而影响最终的边缘检测结果，因此该算法在处理不同图像时的自适应性较差。在现实环境中容易受到光照、障碍物、阴影等因素的影响，致使检测精度不高。结果不理想。
3、基于深度学习的方法也被广泛的应用在道路灾害检测中。深度学习方法无需人工设计特征提取器，没有复杂的阈值设定，能自动从图像中提取特征，且精度超过了传统的数字图像处理方法。基于深度学习的目标检测主要分为两种类型：两阶段目标检测和单阶段目标检测。其中，两阶段目标检测分为两个步骤：
4、第一步是对输入图像进行特征提取并生成候选区域；
5、第二步是对每个候选区域进行类别判断和边界框微调。
6、ding等提出了基于faster rcnn的微缺陷检测网络(tdd-net)，这种方法通过卷积神经网络特有的多尺度金字塔来进行特征提取。这种方式能够有效的提取到深层次的特征信息，由于需要提前选取候选区域，所以这种方式的检测速度较慢。基于两阶段目标算法所存在的问题，单阶段目标检测算法被提出，最常见的单阶段目标算法有ssd和yolo系列网络。单阶段目标检测算法直接对输入图片进行回归，所以在检测速度上要比两阶段目标检测算法有所提高，更适合于工程应用。peng等人将yolov8模型应用到道路裂纹检测。通过在网络上中加入gam注意力机制、改进骨干网络并采用diou损失函数优化边界框损失的方式改进原有网络模型提高检测精度。上述方式是通过加入注意力机制的外在方式提高检测精度，并没有从道路病害本身出发解决问题，导致小目标道路病害无法被识别。
技术实现思路
1、针对现有技术中存在的yolov8模型通过加入注意力机制的外在方式提高检测精度，但是没有从道路病害本身出发解决问题，导致小目标道路病害无法被识别的问题。本发明提供了一种基于改进yolov8的道路缺陷识别方法，结合道路病害本身的形态特点进行模型构建，使得模型在进行边界框回归时能够更准确地定位目标对象的边界框，保证小目标道路病害能够被识别。
2、为达到上述目的，本发明采用了以下技术方案：
3、第一方面，本发明提供一种基于改进yolov8的道路缺陷识别方法，包括：
4、采集道路病害图像，获得道路病害数据集；
5、对获得道路病害数据集进行moasic数据增强，得到增强后的道路病害数据集；
6、对增强后的道路病害数据集进行提取，得到多尺度长距离特征图；
7、对多尺度长距离特征图中的缺陷进行标注，利用inner_mpdiou计算得到损失值；
8、根据模型检测损失值，对yolov8模型进行更新，得到更新后的yolov8模型，利用更新后的yolov8模型对道路缺陷进行识别。
9、作为本发明的进一步改进，所述采集道路病害图像，获得道路病害数据集，包括：
10、对采集的道路病害目标进行标注，形成道路病害图像；
11、将道路病害图像制作成道路病害数据集；
12、将道路病害数据集按照7:2:1比例分为训练集、测试集、验证集。
13、作为本发明的进一步改进，所述对增强后的道路病害数据集进行提取，得到多尺度长距离特征图，包括：
14、将增强后的道路病害数据集中的每一条数据输入到特征提取模块中，提取多尺度特征；
15、将多尺度特征输入到biformer模块中，获得多尺度长距离特征图。
16、作为本发明的进一步改进，所述biformer模块包含一个3×3的深度可分离卷积(dwconv)模块、一个双层路由注意力(bra)和一个双层mlp模块。
17、作为本发明的进一步改进，所述对多尺度长距离特征图中的缺陷进行标注，利用inner_mpdiou计算得到损失值，包括：
18、
19、式中，d1、d2分别表示最小化预测框的与真实框左上角点和右下角点距离，iouinner为内部交并比。
20、作为本发明的进一步改进，所述根据模型检测损失值，利用反向传播更新改进yolov8的模型参数，得到更新后的yolov8模型，然后对道路缺陷进行识别。
21、第二方面，本发明提供一种基于改进yolov8的道路缺陷识别系统，包括：
22、获得数据集模块：用于采集道路病害图像，获得道路病害数据集；
23、增强数据集模块：用于对获得道路病害数据集进行moasic数据增强，得到增强后的道路病害数据集；
24、获得特征图模块：用于对增强后的道路病害数据集进行提取，得到多尺度长距离特征图；
25、计算损失值模块：用于对多尺度长距离特征图中的缺陷进行标注，利用inner_mpdiou计算得到损失值；
26、更新模型模块：用于根据模型检测损失值，对yolov8模型进行更新，得到更新后的yolov8模型，利用更新后的yolov8模型对道路缺陷进行识别。
27、第三方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种基于改进yolov8的道路缺陷识别方法的步骤。
28、第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种基于改进yolov8的道路缺陷识别方法的步骤。
29、第五方面，本发明提供一种计算机程序产品，其特征在于，包括计算机指令，该计算机指令被处理器执行时实现所述一种基于改进yolov8的道路缺陷识别方法的步骤。
30、与现有技术相比，本发明具有以下有益效果：
31、本发明通过moasic数据增强技术，增强了道路病害数据集的多样性和复杂性，使得模型在训练过程中能够学习到更多变化的特征，从而提高了模型在实际应用中识别道路缺陷的准确性。其次，本发明在模型构建时特别考虑了道路病害本身的形态特点，特别是在进行边界框回归时，利用inner_mpdiou计算损失值，这种改进使得模型能够更准确地定位目标对象的边界框，尤其对于小目标道路病害的识别效果有了显著提升。由于数据集进行了数据增强处理，模型在训练过程中接触到了更多样化的数据，这使得模型在面对复杂多变的实际道路环境时，具有更强的适应能力和鲁棒性。同时，通过提取多尺度长距离特征图，模型能够同时捕获到不同尺度和距离的道路病害特征，这对于提高道路缺陷识别的全面性和准确性具有重要意义。因此，本发明基于yolov8模型进行改进，继承了yolo系列模型快速、准确的特点，使得本发明在识别道路缺陷时具有较高的效率，能够满足实际应用中的实时性要求。并且，通过自动化的道路缺陷识别，可以大大减少人工巡检的频率和成本，同时提高巡检的效率和准确性，为道路维护和管理工作带来了便利。
1.一种基于改进yolov8的道路缺陷识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于改进yolov8的道路缺陷识别方法，其特征在于，所述采集道路病害图像，获得道路病害数据集，包括：
3.根据权利要求1所述的一种基于改进yolov8的道路缺陷识别方法，其特征在于，所述对增强后的道路病害数据集进行提取，得到多尺度长距离特征图，包括：
4.根据权利要求3所述的一种基于改进yolov8的道路缺陷识别方法，其特征在于，所述biformer模块包含一个3×3的深度可分离卷积(dwconv)模块、一个双层路由注意力(bra)和一个双层mlp模块。
5.根据权利要求1所述的一种基于改进yolov8的道路缺陷识别方法，其特征在于，所述对多尺度长距离特征图中的缺陷进行标注，利用inner_mpdiou计算得到损失值，包括：
6.根据权利要求1所述的一种基于改进yolov8的道路缺陷识别方法，其特征在于，所述根据模型检测损失值，利用反向传播更新改进yolov8的模型参数，得到更新后的yolov8模型，然后对道路缺陷进行识别。
7.一种基于改进yolov8的道路缺陷识别系统，其特征在于，包括：
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述一种基于改进yolov8的道路缺陷识别方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述一种基于改进yolov8的道路缺陷识别方法的步骤。
10.一种计算机程序产品，其特征在于，包括计算机指令，该计算机指令被处理器执行时实现如权利要求1-6任一项所述一种基于改进yolov8的道路缺陷识别方法的步骤。
