摘要
早期检测细微裂纹对于防止土木工程结构失效至关重要。传统的结构表面裂纹人工检测方法通常存在效率有限且不可避免的固有主观偏差问题，因为视觉评估严重依赖于检查人员的个人经验、疲劳程度以及现场光照条件。相比之下，基于深度学习的裂纹检测方法已成为人工检测的主流替代方案。然而，这些方法在部署到无人检测平台时面临诸多实际挑战：复杂背景干扰限制了细粒度裂纹特征的精确提取；此外，标注不足的数据集和无法支持轻量级实时推理的笨重网络架构共同降低了模型在多样化现场作业环境中的泛化能力。为解决上述问题，本文提出了一种轻量级缺陷检测YOLOv11网络（LDD-YOLOv11），这是一种将方向性多尺度特征增强与教师-学生知识蒸馏机制相结合的裂纹检测算法。本研究的技术创新体现在两个方面。一方面，LDD-YOLOv11在原始YOLOv11骨干网络和颈部分支中嵌入了两个专用特征增强模块，即轻量级材质感知适配器（LMA）和方向-材质约束焦点（DMC-Focus）模块，以增强多尺度细微裂纹特征表征。另一方面，我们采用了一种定制的感知聚焦蒸馏（DPFD）策略，以增强特征级知识迁移并提升整体泛化鲁棒性。在自建的城市场建筑物裂纹数据集上的评估结果表明，该模型在仅有3.20M参数的情况下实现了90.50%的mAP@0.5，推理速度为67.7 FPS。与完全训练的YOLOv11n基线模型（88.30% mAP@0.5）相比，mAP@0.5提升了2.2个百分点，同时保持了良好的轻量级特性。此外，其精度和效率均优于U-Net和DeepCrack等主流裂纹检测模型。跨数据集泛化实验和边缘部署模拟进一步验证了该模型对复杂场景的适应性和实际部署潜力。因此，LDD-YOLOv11证明了其在结构裂纹自动检测中的有效性，并展示了显著的工程应用价值。
