本发明涉及道路工程和路面病害检测领域，特别涉及一种基于改进yolov8算法的路面病害影响面积自动化计算方法。
背景技术：
1、沥青路面因其耐久性好和行车舒适，被广泛应用于高速公路和城市道路。然而，在长期交通荷载、温度变化、材料老化及施工质量等因素的影响下，沥青路面易产生各类病害，如坑槽、车辙、裂缝、修补等。这些病害不仅影响行车安全性和舒适性，还会加速路面结构损坏，缩短道路使用寿命。因此，准确、高效地检测路面病害并量化其影响范围，对道路养护决策和维修资源优化具有重要意义。
2、目前，路面病害检测方法主要分为人工检测和自动化检测两类。传统的人工检测依赖巡检人员目视观测或借助简单工具测量病害尺寸，存在主观性强、效率低、成本高等问题。此外，人工检测通常需要封闭部分车道，影响正常交通，难以实现大范围、高频次的病害监测。
3、近年来，随着计算机视觉和深度学习技术的发展，基于图像处理和目标检测算法的自动化路面病害检测方法逐渐成为研究热点。例如，采用传统图像处理方法(如边缘检测、阈值分割)或基于卷积神经网络(cnn)的模型(如faster r-cnn、yolo系列算法)对路面病害进行识别和分类。然而，现有方法仍存在以下局限性：1)检测精度不足：复杂路面背景(如阴影、污渍、标线干扰)易导致误检或漏检，影响病害识别的准确性；2)鲁棒性较差：算法对不同光照条件、拍摄角度及病害形态变化的适应性有限；3)自动化检测效率低、量化能力欠缺：多数方法仅实现病害的定位和分类，未能精确计算病害的实际影响面积，难以满足养护管理中对病害严重程度的量化评估需求。
4、因此，亟需一种精度高、效率快、适应复杂路况的路面病害检测与面积计算方法，为路面养护提供可靠的数据支持。
技术实现思路
1、本发明所要解决的问题是：提供一种基于改进yolov8算法的路面病害影响面积自动化计算方法，用于解决现有技术中路面病害识别精度不足、面积计算误差大以及自动化检测效率低的问题。
2、本发明采用如下技术方案：一种基于改进yolov8算法的路面病害影响面积自动化计算方法，包括如下步骤：
3、步骤1、数据集准备：采集路面病害图像数据并进行预处理，将预处理后的图像进行标注，并将标注后的图像划分为训练集、验证集和测试集；
4、步骤2、构建改进的yolov8目标检测模型，包括：可变形卷积模块、优化后的特征金字塔网络、级联式实例分割单元，并采用带注意力机制的u-net++结构，进行病害类型判断；
5、步骤3、使用训练集对改进的yolov8目标检测模型进行训练，并在验证集上对模型进行评估，根据评估结果调整模型参数；使用训练好的yolov8目标检测模型对测试集进行预测，结合级联式实例分割策略，得到路面病害类型和病害区域的位置和尺寸信息；
6、步骤4、路面病害影响面积计算：基于像素级分割结果与空间标定参数，结合病害类型和尺寸信息，进行路面病害的实际影响面积计算与自动评估；
7、步骤5、优化yolov8目标检测模型，并进行路面病害影响面积的实时检测。
8、优选地，步骤1中，所述数据集准备，包括如下子步骤：
9、步骤1.1、数据采集：利用道路检测车或无人机设备，采集高分辨率沥青路面病害图像数据，病害类型包括：坑槽、车辙、修补；
10、步骤1.2、图像预处理：对采集的路面病害图像进行预处理，包括：去噪、图像增强、亮度调整，保持数据输入的一致性；
11、步骤1.3、进行图像标注，标注内容包括病害类型和病害区域；
12、步骤1.4、将标注后的图像划分为训练集、验证集和测试集。
13、优选地，步骤2中，构建改进的yolov8目标检测模型，优化措施包括：
14、步骤2.1、模型架构优化
15、以yolov8为基础，选用cspnet作为骨干网络，并融合改进的特征金字塔网络(fpn+pan结构)，增强多尺度特征提取能力，提升小目标病害检测性能；
16、步骤2.2、卷积结构增强：
17、在检测头引入可变形卷积模块(deformable convolution networks,dcn)，使卷积核适应病害形状与尺度，提高对不规则区域的检测能力；
18、步骤2.3、锚框与检测策略优化：
19、通过k-means++生成多尺度anchor框，并结合anchor-free机制动态匹配目标形状，提高定位精度；
20、步骤2.4、损失函数改进：
21、引入ciou损失用于边界框回归，focal loss用于平衡类别样本比例，提升复杂场景下的识别鲁棒性。
22、优选地，步骤3中，采用级联式实例分割策略，进行病害区域的像素级分割和面积计算，具体包括；
23、步骤3.1、实例分割模型构建：
24、基于yolov8目标检测模型检测结果，采用mask r-cnn或segformer实例分割网络，生成病害区域掩膜；
25、步骤3.2、分割网络优化：
26、在mask r-cnn中引入resnext主干网络与dcn模块，提升对边缘病害区域的分割能力；采用balanced l1 loss平滑边缘轮廓，避免误分；
27、步骤3.3、病害影响面积计算：
28、基于掩膜像素数与图像标定比例计算病害实际影响面积；
29、步骤3.4、精度控制机制：
30、判断病害尺寸分结果是否小于预设阈值，如小于阈值，指定病害量化计算方法和指标；否则，重复步骤3.1至3.3过程，进行病害尺寸分割。
31、优选地，步骤3中，对改进的yolov8目标检测模型进行训练，还包括使用迁移学习方法，通过加载在大规模通用数据集上预训练的yolov8权重作为初始化模型，并在本地病害图像数据集上进行微调，提升模型在小样本条件下的收敛速度和泛化能力。
32、优选地，步骤4中，进行路面病害的实际影响面积计算与自动评估，方法如下：
33、步骤4.1、引入实例分割模型，计算病害的破损率：
34、基于掩膜计算出的病害面积，按照设定的评定标准要求，计算病害的破损率；
35、步骤4.2、自动生成检测报告：
36、根据计算结果自动生成检测报告，报告包含：病害种类、面积、破损率信息，为道路养护决策提供智能化支持。
37、优选地，优化yolov8目标检测模型，还包括引入adamw优化器，提升yolov8目标检测模型的收敛速度和稳定性。
38、优选地，步骤4中，病害影响面积计算，方法包括：
39、对于坑槽，计算最小外接矩形面积；
40、对于车辙，计算轮廓区域面积。
41、优选地，步骤5中，优化yolov8目标检测模型，并进行路面病害影响面积的实时检测，方法如下：
42、步骤5.1、使用tensorrt进行yolov8目标检测模型的推理优化，采用层融合、精度量化方式加速模型推理过程，提高病害检测与面积计算的实时性；
43、步骤5.2、引入动态图像分割机制，用于在高速行驶情况下保持病害识别精度，通过帧间差分法减少重复计算，提升实时检测效率；
44、步骤5.3、将计算得到的路面病害影响面积与实际测量值进行比较，评估计算方法的准确性。
45、本发明采用以上技术方案与现有技术相比，具有以下技术效果：
46、1、本发明方法通过改进yolov8目标检测模型和引入实例分割技术，实现了对路面病害的高效识别与自动化面积计算，无需人工干预。
47、2、本发明改进后的yolov8目标检测模型能够快速检测病害目标，实例分割网络进一步实现病害的精确分割，提高了病害识别的精度(精度达到了91.5％)，并能够在复杂的路面场景中保持较强的鲁棒性。
48、3、本发明基于改进后的yolov8目标检测模型的推理速度显著提升，可以快速完成大量路面图像的处理和病害影响面积的计算，具备实时检测的能力，为道路养护管理提供了智能化支持。