2024年5月17日发(作者：uhd630能玩什么游戏)

引用格式：陈嘉锐，崔得龙，邱泽环，等.基于YOLOv5s模型的新型道路裂缝检测系统[J].现代电子技术，2023，46（13）：62⁃66.

62

DOI：10.16652/.1004⁃373x.2023.13.011

2023年7月1日

第46卷第13期

现代电子技术

ModernElectronicsTechnique

Jul.2023

Vol.46No.13

基于YOLOv5s模型的新型道路裂缝检测系统

陈嘉锐，崔得龙，邱泽环，张

（广东石油化工学院，广东茂名

摘

霖

525000）

要：针对现有道路裂缝检测自动化程度低、检测精度低等问题，提出一种基于YOLOv5s模型的新型道路裂缝检测

系统。该系统包括基于深度学习网络的路面裂缝检测模块和自主开发的自动驾驶模块。其中，路面裂缝检测模块采用

YOLOv5s网络作为裂缝检测与分类的模型，实时获取路面裂缝图片作为数据集并在此数据集上对网络进行训练，利用训练

好的网络提取不同类型裂缝图像的特征信息，实现路面裂缝的分类与检测。自动驾驶模块使用自主设计的工程作业车作为

裂缝识别、自主导航、联网、定位、远程控制等功能，适用于常规与特种道路的安全检测工作。

关键词：路面裂缝检测；YOLOv5s模型；路面裂缝分类；自动驾驶模块；数据收集；网络训练；自主导航

中图分类号：TN911.73⁃34；TP391.41文献标识码：A文章编号：1004⁃373X（2023）13⁃0062⁃05

载体，搭载激光雷达、高清摄像头等设备，结合云端后台搭建一套功能完善的路面裂缝检测系统。实验证明该系统具有路面

AnewroadcrackdetectionsystembasedonYOLOv5smodel

(GuangdongUniversityofPetrochemicalTechnology,Maoming525000,China)

CHENJiarui,CUIDelong,QIUZehuan,ZHANGLin

Abstract：AnewroadcrackdetectionsystembasedonYOLOv5smodelisproposedtosolvetheproblemsoflow

temincludesapavementcrackdetectionmodule

basedondeeplearningnetworkandaself⁃avementcrackdetectionmodule,the

YOLOv5snetworkisadoptedasthecrackdetectionandclassificationmodeltoobtainpavementcrackimagesinrealtimeasthe

crackimages,heautonomousdrivingmodule,theself⁃

designedengineeringoperationvehicleistakenasitscarriertocarrylidar,high⁃ud

dataset,inednetworkisusedtoextractthefeatureinformationofdifferenttypesof

backgroundiscombinedwerimentalresults

showthatthissystemhasthefunctionsofpavementcrackidentification,autonomousnavigation,networking,positioning,remote

controlandsoon,whichissuitablefortheroutineandspecialroadsafetydetection.

acquisition;networktraining;autonomousnavigation

Keywords：pavementcrackdetection;YOLOv5smodel;pavementcrackclassification;autonomousdrivingmodule;data

0引言

索，但现阶段的研究主要是针对于裂缝的目标识别，对

于建立一整套路面裂缝检测系统的研究相对匮乏。目

前国外在路面裂缝检测系统上的发展遥遥领先国内水

平，但是国外的检测系统造价十分昂贵且总与其厂

家设备相绑定，另外国内外路况不同，国外的路面裂缝

检测系统并不能很好地解决国内路面裂缝检测的

难题

[5]

。

[6]

基于深度学习的YOLO（YouOnlyLookOnce）可

当前路面裂缝检测主要依靠人工，工作人员通过人

为驱车在路面进行人工检测，其效率低、费用高、对裂缝

类别与危险程度的判别精度低，还可能存在安全风险

[1]

。

目前，基于深度学习的目标检测方法成为学术主流，例

如经典的SSD算法、Faster⁃RCNN算法和YOLO算法

[2][3][4]

等，对于路面裂缝的检测识别也有不少学者在积极探

收稿日期：2022⁃12⁃20修回日期：2023⁃01⁃09

以自动从图像中提取特征，在目标检测应用中得到了大力

基金项目：国家自然科学基金项目（62273109）；广东省创新

科技专项资金（pdjh2022b0345）

的推广，以即时定位与地图（SimultaneousLocalizationand

Mapping,SLAM）构建技术为代表的自动驾驶技术也逐

Copyright©博看网. All Rights Reserved.

第13期

陈嘉锐，等：基于YOLOv5s模型的新型道路裂缝检测系统

63

渐成为了汽车行业的发展趋势。本文基于YOLO的迭

代版本YOLOv5

[7]

模型实现对裂缝的目标识别，使用机

器人操作系统（ROS）作为系统开发框架实现自动驾驶，

结合云端后台实现对裂缝信息的远程可视化管理，免去

了传统人工巡检的不便性，满足工程作业要求。

了不同角度、光照、距离等情况，各类裂缝示例见图3。

图像采用.JPG存储格式，样张图片分辨率为1280×

1706像素，文件总大小5.21GB，共计2878张道路裂缝

图片。通过数据增广的方法，将数据样本的数量扩增至

原有样本个数的4倍，使用labelimg工具对样本图片进

行数据标注，获得与图片一一对应的标签文件（label）。

1系统总体设计方案

本文所设计的基于YOLOv5模型与自动驾驶的新

型道路裂缝监测系统框图见图1。本文设计基于

YOLOv5s的裂缝分类模型对路面裂缝进行目标识别，首

先在服务器上训练基于YOLOv5的裂缝检测模型，然后

将训练好的模型部署至车载PC端，利用高清摄像头实

时采集现场图像，通过有线连接传输至车载PC端，当检

测到裂缝时调用裂缝识别算法获取裂缝类型。作业车

选用树莓派4B作为上位机，配合激光雷达与STM32对

环境信息的收集与电机的控制，实现路径规划与自动驾

驶。后台方面采用ThingsBoard物联网平台实现数据收

集、处理、可视化和设备管理。

图2YOLOv5s模型结构

表1YOLOv5模型比较

模型

YOLOv5s

YOLOv5l

参数量

7202491

FP16/MB

14

41

168

90

V100/ms

2.0

2.7

3.8

6.1

COCO/%

37.2

44.5

48.2

50.4

YOLOv5m

YOLOv5x

21025275

46354491

86501755

图1系统框图

2YOLOv5s目标检测算法

由Redmon等人于2016年提出的YOLO算法将目

标检测的分类和定位用一个神经网络实现，将目标检测

归纳为空间上分离的边界框和相关类的概率问题，其在

出现后大放异彩，在目标检测领域得到了广泛的应用，

经历了从v1~v5的发展

[6]

。

Input、Backbone、Neck、Prediction这4个部分，网络整体

YOLOv5s网络结构沿用v3、v4的整体布局，包括

图3常见裂缝示例图

框图

[8]

如图2所示。YOLOv5s是YOLOv5四种模型中体

积最小的一个模型，最新的5.0版本权重仅为14.50MB，

其参数量、半精度浮点数类型的存储大小、COCO数据

集上的平均训练精度如表1所示。本文裂缝检测采用

YOLOv5s5.0版本。

2.1实验数据集收集

2.2

本次实验将数据集拆分成三个部分：将80%的图

数据集处理

片作为训练集（train），20%的图片作为验证集（val），再

从训练集与验证集中抽取一部分图片作为测试集

（test），同时对数据集的标签也进行对应的划分。

2.3

本文实验的操作系统为Windows10，CPU型号为

YOLOv5s网络训练

本次实验采用自制的裂缝数据集，裂缝类型包括纵

向裂缝、横向裂缝与网状裂缝三类常见路面裂缝，考虑

Copyright©博看网. All Rights Reserved.

64

现代电子技术

2023年第46卷

4600HwithRadeonGraphics，AMDRyzen5GPU型号为

NVIDIAGeForceRTX2060，安装CUDA11.1版本，使用

Pytorch框架，编程语言为Python。

要求。实验结果表明，在自制的路面裂缝检测数据集

上，所用检测模型可以有效识别三种不同的常见裂缝，

检测mAP值为96.26%，平均测试精度为95.88%，目标

检测速度达到25.68f/s。在不同光照、视角等条件下，

检测速度快、检测准确率高、鲁棒性好，满足道路安检场

景下裂缝检测识别的可靠性要求。

网络训练参数设置如下：总迭代次数为300次，权

重文件（weights）为，一次训练所选取的样本

数（BatchSize）为32，初始学习率（LearningRate）为

0.01，学习率动量（LearningRateMomentum）为0.957，权

2.4训练结果分析

重衰减系数（WeightAttenuationCoefficient）为0.0005。

从图4的训练指标可以看出，训练集的锚框损失率

（box_loss）、物体识别损失率（obj_loss）随着训练轮数

（epoch）的增加不断减少。精确率（precision）和召回率

（recall）在训练过程中相对稳定，在训练轮数达到200次

后均稳定在95%以上，所有类别检测的平均精度（mAP）

趋向稳定，平均精度均值稳定在1.0左右，模型训练结果

理想。

图5光线充足裂缝正视测试样张

图6光线充足裂缝斜视测试样张

图7光线减弱裂缝正视测试样张

3

3.1

图4训练指标图

自主导航

载体外观如图8所示。本项目的运动载体为四轮

载体设计

减震式底盘作业车，采用独特的电控设计与多重电路安

全保险措施保证作业车能够应对多种复杂路况与复杂

地形。

电控设计上采用24V锂电池电源先经过空气开关

后，降压电路将24V电压降为5V给单片机，于电机驱

动上电前完成单片机的初始化，稳定单片机I/O口的输

出状态。由于电机工作时电流电压较大，为保证各部分

用电器可以安全稳定的工作，本设计在空气开关后又加

入了继电器、急停开关的多重电路保护措施，当各项保

2.5

本次测试使用自制的裂缝数据集，在不同视角、不

测试结果分析

同光照和不同干扰物设置的情况下对训练好的裂缝识

别模型进行测试，测试结果如图5~图7所示。

图中目标框上的数字代表置信率，从几组测试结果

可以看出模型的检测精度较高，对于不同环境下的裂缝

检测效果良好，足以满足工程作业中对裂缝的分类识别

Copyright©博看网. All Rights Reserved.

第13期

陈嘉锐，等：基于YOLOv5s模型的新型道路裂缝检测系统

65

护措施正常工作，开关被触发后电机的供电电路才能够

输出电压。车体运动控制电路见图9。

描周围环境信息回传至树莓派来获取载体周围信息，采

用SLAM算法为载体建立环境地图，实现空间位置感

知。本设计中使用Gmapping功能包获取里程计信息

（Odometry）和激光数据（Laser），在scan节点后经TF变

换，由map节点保存，生成2D栅格地图

[9]

。上位机利用

AMCL中的Move_base功能包完成路径规划和坐标定

位，AMCL接收车载激光雷达、MPU6050六轴加速度陀

螺仪传感器与编码器等传感器的信息，Global_planner

与controller共同完成路径规划和避障功能，最后向下位

机输出控制信息（Cmd_vel）。上位机树莓派与下位机

STM32通过串口通信进行数据传输，下位机向上位机发

图8载体外观示意图

送左右轮实时轮速和载体姿态信息，上位机向下位机发

送左右轮的设定速度，通过控制左右轮的速度差实现差

速转向，完成目标运动效果和动态避障。

3.3

实验测试效果见图10。在实验开始时，先使用数

实验测试

据线完成树莓派与STM32的通信连接，在ROS分布式

组网配置完成后启动地图创建。在地图建立完成后，点

击Rviz界面中的“2DNavGoal”按键出现绿色箭头，后

台端可旋转箭头的方向来设置载体到达目标点后的方

向。本次实验将工程车的路线设置为从圆圈位置出发，

图9车体运动控制电路

沿车头方向直线行驶同时避开沿途障碍物。实验结果

表明，本文设计的作业车可完成环境建图、动态避障、自

动驾驶等任务。

3.2

本设计通过ROS安装相关的功能包，激光雷达扫

自主导航实现

图10自主导航功能测试效果图

4数据上传及效果

采用ThingsBoard开源物联网平台实现数据收集、

并支持云和本地部署。ThingsBoard具有可伸缩性、容

错性和性能优越的特点，因此可以保证本项目在作业过

程中数据不会丢失。

本项目在ThingsBoard平台上获取设备号，根据平

台的IP地址、设备号和订阅地址，利用Python脚本将数

处理、可视化和设备管理。本项目借助ThingsBoard平

台，通过行业标准的物联网协议MQTT实现设备连接，

Copyright©博看网. All Rights Reserved.

66

现代电子技术

2023年第46卷

据上传至ThingsBoard平台中。发送数据的格式如下：

″value1″},{″key2″:″value2″}]

{″key1″:″value1″,″key2″:″value2″}或者[{″key1″:

平台成功接收到数据后，在平台中自定义仪表板查

看数据或共享，裂缝信息显示效果如图11所示，在此界

面中可以查看裂缝的位置信息、作业车沿途检测到的所

有裂缝信息、重度危险程度裂缝的裂缝信息，实现对裂

缝信息的可视化。

图11裂缝信息显示效果后台界面

5结语

[4]REDMONJ,9000:better,faster,stronger

[C]//ProceedingsoftheIEEEConferenceonComputerVision

andPatternRecognition.[S.l.]:IEEE,2017:7263⁃7271.

理工大学，2006.

本文设计了一套基于YOLOv5s目标检测模型与自

动驾驶技术相结合的道路裂缝识别系统，结合云端后

台实现道路裂缝信息的远程可视化。实验结果表明，

本设计对裂缝的检测与分类精度高、鲁棒性好、载体自

主导航功能完善、云端后台数据更新稳定，满足道路检

修及养护的需要，具有十分广阔的应用前景。

注：本文通讯作者为崔得龙。

参考文献

[5]王明辉.沥青路面检测中的图像处理技术研究[D].武汉：武汉

[6]REDMONJ,DIVVALAS,GIRSHICKR,ylook

17]./h.

once:unified,real⁃timeobjectdetection[EB/OL].[2018⁃04⁃

[7]ZHENGZhaohui,WANGPing,LIUWei,ce⁃IoU

OL].[2019⁃11⁃25]./.

loss:fasterandbetterlearningforboundingboxregression[EB/

[8]谈世磊，别雄波，卢功林，等.基于YOLOv5网络模型的人员口

罩佩戴实时检测[J].激光杂志，2021，42（2）：147⁃150.

研究综述[J].计算机应用研究，2018，35（1）：1⁃6.

[9]朱凯，刘华峰，夏青元.基于单目视觉的同时定位与建图算法

[10]严世强，张宇峰，刘宁宁，等.基于渗流和区域生长联合分析

（18）：6⁃10.

[11]李海丰，聂晶晶，吴治龙，等.基于多传感器信息融合的机场

道面裂缝检测算法[J].现代电子技术，2020，43（24）：17⁃21.

法[J].现代电子技术，2022，45（14）：69⁃73.

[12]李鹏，王青宁.基于FNLM和Frangi滤波的路面裂缝分割算

[1]施金汝，许凌峰，陈金立，等.基于树莓派和YOLOv5算法的路

面裂缝检测系统[J].信息技术，2022（4）：22⁃28.

[2]LIUW,ANGUELOVD,ERHAND,:Singleshotmul⁃

tiboxdetector[C]//EuropeanConferenceonComputervision.

Cham:Springer,2016:21⁃37.

的红外图像裂缝病害检测方法[J].现代电子技术，2020，43

[3]RENS,HEK,GIRSHICKR,R⁃CNN:towardsreal⁃

timeobjectdetectionwithregionproposalnetworks[J].IEEE

39(6):1137.

transactionsonpatternanalysis&machineintelligence,2016,

作者简介：陈嘉锐（2001—），男，广东潮州人，研究方向为深度学习与嵌入式编程。

崔得龙（1978—），男，博士，教授，研究方向为云计算、机器学习。

Copyright©博看网. All Rights Reserved.