1.一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，包括：实时获取路面图像数据，将获取的路面图像数据输入到训练好的YOLO v5模型中，得到路面检测结果，根据结果控制车辆的运动方向；

训练YOLO v5模型的过程包括：S1：获取原始数据集，对原始数据集进行数据增强处理，得到增强数据集；增强数据集中的图片包括不同种类的路面坑洼原始图片和增强后的图片；

S2：对增强的数据集进行划分，得到训练集和测试集；

S3：将训练集中的数据输入到改进后的YOLO v5模型的输入端进行预处理；

S4：将预处理后的图片输入到骨干网络中进行特征提取，得到特征图；

S5：将特征图输入到Neck网络中进行特征融合处理，得到检测框；

S6：对检测框进行筛选，得到预测框；

S7：将测试集中的数据输入到模型中，根据预测框得到检测结果；

S8：根据检测结果计算模型的损失函数，不断调整参数，当损失函数的值最小时，完成模型的训练。

2.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，对原始数据集中的图片进行划分的过程包括：对原始数据集中的坑洼图像进行标注，标注的区域为图像内容中的坑洼区域，将标注后的图像存储为xml文件；将标注后的文件按9：1的比例划分为训练集合和样本集。

3.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，YOLO v5模型的输入端对训练集中的数据进行预处理的过程包括：将输入的图片进行Mosaic增强处理和锚框计算；Mosaic增强处理的过程包括通过随机采用缩放、裁剪、排布的方式对样本数据进行拼接处理，得到增强后的图像；采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类，产生不同数量、不同大小的先验框。

4.根据权利要求3所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，采用DBSCAN密度聚类算法对路面坑洼数据集中已标注的目标边界框进行聚类的过程包括：S1：从路面坑洼数据集中已标注的目标边界框的样本数据中选出核心样本点及其邻居；

S2：遍历所有筛选出的样本点，判断筛选出的样本点p是否为核心样本点，是则给p分配一个簇标签；不是核心样本点，则将样本点p标记为噪声；

S3：访问核心样本点p的所有邻居，并将点p的簇标签分配给所有邻居；

S4：判断每个被访问的邻居是否为核心样本点，若是则点p依次访问各核心样本的邻居，并将点p的簇标签分配给所有访问的邻居点，直到点p的邻居没有核心样本点为止；

S5：选取筛选出的样本点中另一个未被访问过的点，返回步骤S2重复上述过程，直至所有样本点都被分配簇标签或被标记为噪声，完成聚类。

5.根据权利要求4所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，选出核心样本点及其邻居的过程包括：设置距离阈值ε和数量阈值MinPts；对于路面坑洼数据集中已标注的目标边界框的样本数据中的样本点p，计算该样本点与周围其他样本点的距离；若计算得到的距离小于等于设置的距离阈值ε，则统计所有小于ε的样本数量，将统计出的样本数量大于设置的数量阈值MinPts，则将样本点p标记为核心样本点；将与p距离小于等于ε的点称为p的邻居；若计算得到的距离大于设置的距离阈值ε，且统计出的样本数量小于等于设置的数量阈值，则该样本点p不为核心样本点。

6.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，YOLO v5模型的骨干网络包括Focus模块、BottleNeckCSP模块和SPP模块；Focus模块把原始的输入图像进行切片处理，对切片后的图像进行卷积，得到初始特征图；BottleNeckCSP模块包含BottleNeck模块和CSP模块；所述BottleNeck模块为残差结构，用来减少计算量；所述CSP模块用于优化主干网络中的梯度信息，将梯度变化集成到特征图中，减少模型的参数；SPP模块为空间金字塔池化模块，该模块用于将BottleNeckCSP模块输出的特征图进行卷积特征提取，采用三个大小不同的卷积核对提取的特征进行下采样，得到三个子特征图，将三个子特征图进行拼接并与初始特征图相融合，得到融合特征图；将融合后的特征图进行卷积恢复，得到与输入图片大小相同的特征图。

7.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，YOLO v5模型的Neck网络包括FPN单元和PAN单元；FPN单元通过下采样逐渐增大特征图尺寸并与CBL模块中卷积块输出的特征图进行融合相加，PAN单元通过下采样缩小特征图与FPN中逐渐增大的特征图进行特征融合相加，得到检测框。

8.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，对检测框进行筛选的过程包括：通过非极大值抑制NMS对冗余预测框进行剔除，保留置信度最高的预测框。

9.根据权利要求1所述的一种基于YOLO v5模型的路面坑洼检测方法，其特征在于，计算模型的损失函数为：

其中，LIoU表示两个矩形框重叠部分的交并比IoU的损失，Ldis表示距离损失，Lasp表示边

2 gt

长损失；ρ(b，b )表示预测框和真实框的中心点的欧式距离，b表示预测框中心点的坐标，gt

b 表示真实框中心点的坐标，gt表示真实值，c表示能够同时包含预测框和真实框的最小闭

2 gt

包区域的对角线距离，ρ(w，w )表示预测框和真实框的宽度的欧式距离，w表示预测框的gt 2

宽，w 表示真实框的宽，Cw表示能够同时包含预测框和真实框的最小闭包区域的宽，ρ(h，gt gt

h )表示预测框和真实框的高度的欧式距离，h表示预测框的高度，h 表示真实框的高度；Ch表示能够同时包含预测框和真实框的最小闭包区域的高。