基于改进旋转YOLOv8的复杂环境中多尺度与任意方向建筑材料精准检测方法及其在精益管理中的应用

本文提出一种基于改进旋转YOLOv8（YOLOv8-obb）的建筑材料检测方法，通过引入大选择性核网络（LSK）、多核初始模块（PKI）和矩形自校准模块（RCM），有效解决了任意方向目标、特征相似性、尺度差异及噪声干扰等问题。实验表明，该方法在保持实时检测速度（28.3 FPS）的同时，平均精度（mAP）达到87.1%，较基线提升2.7%，为施工现场材料精细化管理提供了可靠技术支撑。

　　

Highlight

创新方法通过三大模块显著提升复杂环境下建筑材料的检测性能：LSK网络动态调整感受野以捕捉关键特征；PKI网络结合多尺度卷积与注意力机制优化不同尺寸目标的纹理提取；RCM模块通过轴向池化建模矩形注意力区域，有效抑制噪声并增强对任意方向目标的聚焦。

Introduction

建筑材料对项目成本与进度至关重要，传统人工检测效率低且易出错。尽管基于CNN的目标检测方法在土木工程中已有广泛应用（如缺陷检测、裂缝识别、安全装备监控等），但建筑材料检测仍面临四大挑战：任意方向排列导致水平检测框引入背景干扰；特征相似性造成误检与漏检；尺度差异使小目标细节丢失、大目标全局信息难以捕获；现场噪声（人员、车辆、废弃物）干扰特征表达与边缘细节。

Section Snippets

水平与旋转检测方法对比显示，旋转检测（如R-CNN、YOLO系列）更适合任意方向目标定位。本研究以YOLOv8-obb为基线，集成LSK、PKI与RCM模块，兼顾实时性与精度需求。

Data Collection

通过多场景（住宅、商场、学校等）监控摄像头采集图像，涵盖不同光照、角度及噪声条件，构建高质量建筑材料数据集，并采用数据增强策略提升模型泛化能力。

Experiments

实验环境为Intel i9-11900K与NVIDIA RTX 3090Ti硬件平台，训练超参数保持默认。评估指标采用平均精度（AP）与均值平均精度（mAP），结果证明优化后模型在精度与速度上均优于基线及其他先进方法。

Discussion

优化方法在复杂场景中表现优异，未来将深入对比水平与旋转检测差异、注意力机制有效性及模型在其他检测任务中的泛化性能。

Conclusion

本研究通过深度学习技术提升了建筑材料检测的自动化与准确性，支持现场物料进出跟踪、库存管理与采购规划，为施工进度与成本的精益控制提供关键技术保障。