摘要：结合无人机和深度学习目标检测算法自动检测道路病害具有范围广、成本效益高等优势。然而,道路病害的形状和大小变化剧烈,很难完整检测它们。此外,受限于计算资源,通用的目标检测算法只适用于小尺寸影像(512像素×512像素或640像素×640像素),很难直接应用于大尺寸的无人机影像(5 472像素×3 648像素或7 952像素×5 304像素)。使用传统方法检测大尺寸影像中的多尺度目标会出现大尺寸目标切分、小尺寸目标漏检等问题。针对上述问题,本文提出了一种结合全局-局部多尺度融合策略和YOLOv5-RDD的创新解决方案。(1)构建了YOLOv5-RDD模型,在现有YOLOv5模型的基础上,设计多尺度C3(MSC3)模块和上下文特征金字塔网络(CFPN),增强了对多尺度目标的检测能力。(2)提出了一种全局-局部多尺度融合策略,利用下采样和切分手段获取大尺寸无人机影像的全局和局部信息,然后叠加全局和局部多尺度信息以获取整个大尺寸影像的多尺度信息,并采用中心非极大值抑制算法优化检测结果。(3)为验证所提方法的有效性,创建了一个专门用于无人机道路病害检测的UAV-RDD数据集。实验结果显示,与原始的YOLOv5模型相比,新模型YOLOv5-RDD在mAP上提升了5.8%,而全局-局部多尺度融合策略相比传统方法在mAP上提升了9.73%,充分证明了本文方法的有效性和优越性。

摘要：成像系统获取数据时一般无法兼顾空间和光谱信息,但当前的光学影像道路提取往往直接以融合后影像为数据源,聚焦网络结构、监督形式等方面的研究,未对融合效果在道路提取中的作用进行深入探索与分析。因此,本文提出了一种结合融合策略的光学影像道路提取技术。首先,以端到端的“编码—解码”网络为基本结构,并结合输入数据的类别、数量等因素进行针对性改进与设计,为后续的试验验证提供训练和测试框架;然后,立足空间信息和光谱信息的注入偏好,选取4种典型的影像融合方法,并以此为技术支持对全色影像和多光谱影像进行融合;最后,在试验部分借助2个公开数据进行了集验证,得出融合策略在道路提取中可有效提升量化评价指标的结论,同时对典型的道路重难点区域提取具有积极的正向促进作用。