基于FPGA的高速场景道路裂缝预处理及检测技术研究.pdfVIP

摘要

道路易受雨水侵蚀和环境变化的影响，且长期处于运营环境下，将不可避免地

产生裂缝等损坏，裂缝的产生会降低行驶车辆的安全性和驾驶人员的舒适性。因此，

及时地检测出裂缝并采取相应的养护可以有效延长道路使用寿命，减少行车的风

险。由于基于人工的道路裂缝检测存在成本高、安全性差、效率慢、实时性不足的

问题，人们使用深度学习进行目标检测任务。但传统的深度学习模型检测裂缝类小

目标时存在检测精度低、鲁棒性差的问题，且图像信息复杂度的提升，导致在图像

处理时耗费大量的资源，造成检测实时性不足。因此，本文致力于提升模型检测的

精确度和减少图像处理对资源的耗费。本文的具体工作如下：

（1）针对深度学习检测裂缝类小目标时容易误检、漏检导致精度较低的问题。

首先，对YOLOv5网络的颈部网络进行改进，引入了双向特征金字塔网络（BiFPN）

特征融合结构，借鉴BiFPN的双向跨尺度连接和加权特征融合结构，实现了多尺

度特征融合，从而有效的提升了召回率和平均精度。其次，为了进一步加强模型关

注不同信息的能力，引入了自注意力机制，增强了模型获得上下文信息的能力，进

一步提升了检测模型的精确度和鲁棒性。最后，对损失函数进行了改进，引入了α-

IOU损失函数，提升了模型训练的收敛速度和边框回归的准确度。

（2）针对图像处理耗费资源过多导致检测实时性不足的问题。设计了一个基

于FPGA的图像预处理系统。通过图像滤波来去除噪声，并用边缘检测、图像增强

等操作改善图像的视觉效果，去除图像的无关信息。通过利用FPGA的并行性和

流水线，可以在不增加计算机硬件资源耗费的情况下进行图像处理，一定程度上提

高检测系统的实时性。

（3）通过对YOLOv5在路面检测中的研究和FPGA在图像处理中的应用，搭

建了一个包含软硬件的路面缺陷检测系统，实现了检测系统、图像处理系统、加速

系统的集成应用，并对模型进行测试与分析，验证了改进方法的有效性和实用性。

本文对路面缺陷检测进行了一系列研究，最后在RDD2020数据集上进行实验。

最终，提出的模型在原始YOLOv5的基础上获得3.7个百分点的mAP@0.5提升，

在mAP@0.5:0.95中提升了8.8个百分点。采用FPGA进行图像预处理后，虽然检

测精确度有所降低，但运行速率得到25个百分点以上的提升。实验结果表明，通

过上述方法可以提升裂缝检测的精确度和检测系统的实时性。

关键词：深度学习，自注意力机制，裂缝检测，FPGA，图像处理

Abstract

Affectedbyrainerosionandenvironmentalchanges,andintheoperating

environmentforalongtime,damagesuchascrackswillinevitablyoccur,andthe

generationofcrackswillreducethesafetyofvehiclesandthecomfortofdrivers.

Therefore,timelydetectionofcracksandcorrespondingmaintenancecaneffectively

extendthelifeoftheroadandreducetheriskofdriving.Duetotheproblemsofhighcost,

poorsafety,slowefficiencyandinsufficientreal-timeperformanceoftheartificialroad

crackdetection,peopleusedeeplearningfortargetdetection.However,thetraditional

deeplearningmodelhastheproblemsoflowdetectionaccuracyandpoorrobustness