基于半监督双路径YOLOv8模型的地下缺陷智能检测方法研究

针对地下空洞检测中GPR图像人工解译效率低、主观性强的问题，浙江大学团队提出融合注意力机制与轻量化设计的半监督双路径YOLOv8模型。通过物理模拟数据预训练和CycleGAN生成伪标签数据，模型准确率提升显著，为城市地下安全隐患智能识别提供新范式。

　　

城市地下空间如同人体的血管网络，其健康状况直接关系到地表安全。近年来，因地下空洞引发的道路塌陷事故频发，仅2022年中国就报告了37起重大塌陷事件。探地雷达(Ground Penetrating Radar, GPR)作为"地质CT"，虽能探测地下异常，但其图像解译长期依赖工程师经验——这好比让医生仅凭肉眼判断X光片，既容易漏诊又效率低下。更棘手的是，地下缺陷样本稀缺且分布未知，传统监督学习模型常陷入"数据饥渴"困境。

针对这一系列挑战，浙江大学的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果。他们巧妙融合物理规律与人工智能，开发出半监督双路径YOLOv8模型。该模型通过"两条腿走路"：一条是搭载卷积注意力模块(CBAM)的精密路径，能像经验丰富的专家般捕捉缺陷特征；另一条采用MobileNet的轻量化路径，则如同便携式检测仪，兼顾效率与精度。研究团队还创新性地引入两阶段数据增强策略：先用基于电磁波理论的gprMax模拟数据"教"模型认识典型缺陷，再通过具备循环一致性的CycleGAN生成逼真伪样本，最终在杭州实际工程中实现94.3%的检测准确率，比传统YOLOv5提升12.6%。

关键技术方法
研究采用实测GPR图像（583张，1280×570像素）与gprMax模拟数据结合构建初始数据集。模型开发包含：1）双路径YOLOv8架构设计，分别集成CBAM注意力模块和MobileNet轻量化网络；2）基于CycleGAN的伪标签生成，通过循环一致性损失保障图像质量；3）半监督训练框架，分阶段融合模拟数据与伪标签数据。实验使用NVIDIA RTX 3090 GPU，评估指标包括mAP、FPS及参数量。

研究结果

方法论
提出标准YOLOv8的改进方案：注意力路径通过CBAM模块提升特征选择能力，轻量路径采用深度可分离卷积减少70%参数量。CycleGAN在图像转换中引入周期一致性损失，使生成图像与真实GPR数据的结构相似性指数(SSIM)达0.82。

实测数据集
收集浙江地区城市道路/高速公路的583幅GPR图像，包含空洞、管道等目标。由于实际缺陷样本仅占12%，采用数值模拟生成不同介电常数、尺寸的腔体图像扩充数据。

半监督学习模型验证
三阶段实验显示：仅用实测数据(DS1)的mAP为82.4%；加入模拟数据(DS2)后提升至89.1%；融合伪标签数据(DS3)最终达到94.3%。注意力版本在精度上优于轻量版3.2%，但后者推理速度达156 FPS，更适合移动端部署。

结论与意义
该研究突破性地将物理规律嵌入深度学习框架：1）双路径设计平衡精度与效率，CBAM模块使模型聚焦缺陷特征，MobileNet实现参数压缩；2）gprMax模拟提供物理约束，避免纯数据驱动的过拟合；3）CycleGAN的半监督策略解决样本稀缺难题。建立的综合雷达数据集已开源，涵盖实测/模拟/CycleGAN生成三类图像，为后续研究提供基准。实际工程应用表明，该模型可自动识别80cm深度内的空洞，预警准确率达91%，较人工检测效率提升20倍，为智慧城市地下安全监测提供可靠技术支撑。