《Journal of Applied Geophysics》：YOLOv8-SLL-Road: An enhanced lightweight network for efficient and accurate detection of road defects using GPR data
编辑推荐：
•提出了一种用于自动、实时识别隐蔽道路缺陷的高性能方法。•新颖的融合SCConv、LSKA和YOLOv8的网络，实现了优化效率和精度。•YOLOv8-SLL-Road专门设计用于检测道路结构中的富水区、松散区、脱层和空洞。•评估表明，在合成和现场探地雷达数据上均表现出可靠的性能，
- •
提出了一种用于自动、实时识别隐蔽道路缺陷的高性能方法。
- •
新颖的融合SCConv、LSKA和YOLOv8的网络，实现了优化效率和精度。
- •
YOLOv8-SLL-Road专门设计用于检测道路结构中的富水区、松散区、脱层和空洞。
- •
评估表明，在合成和现场探地雷达数据上均表现出可靠的性能，并通过钻孔验证得到支持。
引言
快速城市化推动了城市地下空间的发展，但也增加了道路坍塌事故的频率，对公共安全构成重大风险（Hu等，2024）。定期和大规模检测隐蔽道路缺陷对于预防事故至关重要。探地雷达（GPR）已成为道路状况评估的常用技术，因其在作业效率、检测分辨率、安全性和可视化能力方面具有明显优势（Joshaghani和Shokrabadi，2021；Liu等，2024）。然而，当前探地雷达数据解译主要依赖人工目视检查——这种方法效率低且精度不一致，限制了其在智能大规模数据分析中的适用性（Niu等，2024）。为提高探地雷达数据解译的自动化水平，早期研究主要采用图像处理和机器学习技术。经典的双曲线特征识别方法，尤其是霍夫变换（Duda和Hart，1972；Capineri等，1998；Li等，2016；Yamaguchi和Mizutani，2021）显示出潜力，但在复杂地质条件下对噪声敏感且计算成本高（Li等，2022）。尽管后续改进——包括基于双曲线拟合的聚类算法（Dou等，2016）、多阶段解译模型（Zhou等，2018）和分层识别框架（Pasolli等，2009）取得了进展，但其特征提取过程仍依赖于人工先验，限制了模型的鲁棒性和泛化能力。机器学习方法显著提高了识别精度，在采用PSO-SVM（Liu等，2021）、一类SVM（Todkar等，2021）和骨架哈希融合模型（Cheng等，2023）的研究中达到了91.667%的准确率。然而，这些方法由于特征工程适应性方面的固有局限，仍然面临挑战。
深度学习因其卓越的自主特征提取和非线性表示能力，已成为智能探地雷达解译的主要方法（Tong等，2020）。深度学习在缺陷检测中的应用正在迅速发展。早期工作展示了其在多个领域的潜力，例如使用多输出CNN检测隐蔽坝体缺陷（Ma等，2024）和利用特征融合网络进行非接触式树木检测（Qian等，2024）。Wang等人（Wang等，2025）最近的一项进展将小波相干分析与改进的多任务Res-RCNN相结合，实现了盾构隧道注浆缺陷的精确定位。总的来说，这些创新凸显了探地雷达无损检测向智能化、自动化和定量化解译发展的明确趋势。
当前目标检测方法主要分为两类：以Faster R-CNN为代表的两阶段框架（Hu等，2022），通过多模态特征融合（Lei等，2019）和网络优化（Cui等，2022；Ren等，2024），对界面和目标实现了高识别精度（例如98.3%）。然而，这些方法计算复杂度高，限制了其实时适用性。
相比之下，单阶段框架，特别是YOLO系列（Terven等，2023；Hao等，2025），采用端到端建模和轻量化架构，能够对探地雷达数据中的地下目标实现高精度检测和实时推理——从而满足大规模道路检测的需求。基于实时检测的进展，Li等人（Li等，2020）和Xu等人（Xu等，2024）分别使用改进的YOLO变体实现了84 FPS的地下目标检测和隧道裂缝检测。为了更细致的特征提取，Xiong等人（Xiong等，2023）构建了结合YOLOv3和U-Net的级联模型，自动定位和分割沥青路面探地雷达图像中的内部裂缝和空洞反射。
海量探地雷达数据的处理需要算法在精度和效率之间取得平衡，而不同应用场景中探地雷达信号的独特特征需要定制化的特征提取框架。为此，大量研究基于YOLO架构开发了专门的检测模型。例如，TLAD-YOLO模型（Zheng等，2025）和SESM-YOLO模型（Yan等，2025）分别融合了高效的多尺度特征金字塔和任务特定注意力机制，实现了隧道衬砌异常和道路隐蔽缺陷的高精度识别。这些模型在保持轻量化架构的同时显著提高了检测鲁棒性，在多项评估指标上优于现有最先进模型。与此同时，Yang等人（Yang等，2025）提出了MGD-DETR，将多级特征提取、轻量化卷积和双注意力机制协同整合，在隧道衬砌缺陷检测中达到了0.834 mAP和91.2 FPS的平衡。尽管现有研究在利用探地雷达B-scan图像进行目标检测方面取得了显著进展，但这些方法在实际应用中仍受到限制。可检测的缺陷类型主要局限于表现出双曲反射特征的典型目标，如空洞和裂缝。此外，常见缺陷的准确识别——包括脱层和松散区——因其形态和电磁响应的高度异质性而进一步复杂化，加之模型构建中普遍采用均匀介质假设，导致训练数据与实际复杂地质条件之间存在显著差异。
为解决这些挑战，迫切需要开发具有增强特征提取和融合能力的检测模型，以准确识别《道路坍塌灾害雷达检测技术规范》（T/CMEA 2—2018）中规定的四类常见道路缺陷。本研究构建了包含5270幅模拟和实测探地雷达图像的GPR-Road数据集，并提出了一种名为YOLOv8-SLL-Road的增强模型。改进包括：（1）嵌入轻量级C2f-SCConv模块，通过空间通道重构抑制特征冗余；（2）引入LSKA机制增强多尺度特征建模；（3）整合Wise Intersection over Union（WIoU）和Varifocal Loss（VFL）以减轻样本质量不平衡的影响。实验结果表明，所提出的模型在检测精度、计算效率和结构轻量化方面均取得了显著提升，为工程应用提供了有效的技术方案。
章节片段
YOLOv8-SLL-Road算法
YOLOv8架构包含三个关键组成部分：主干网络、颈部网络和头部网络。主干网络从输入图像中提取多级语义特征，而颈部网络通过特征金字塔网络（FPN）执行多尺度特征融合和增强。头部网络随后利用这些融合特征预测目标位置和类别。该结构在特征融合和信息传播方面表现出卓越性能，特别适合检测
道路缺陷数据集
为评估YOLOv8-SLL-Road网络的性能，我们构建了一个合成探地雷达道路数据集，涵盖四类常见道路缺陷，按严重程度分类：一级（富水）、二级（松散）、三级（脱层）和四级（空洞）（Feng等，2025）。城市道路仿真模型采用四层结构：空气层、沥青层、水泥稳定碎石层（基层）和土基。首先，生成1000个均匀介质分层模型以分析缺陷
性能分析与评估
本节介绍所提出的YOLOv8-SLL-Road网络用于道路缺陷检测的实验验证。如图13所示，YOLOv8-SLL-Road在整个训练过程中损失函数呈稳定单调递减，完全收敛。相比之下，原始YOLOv8在150个训练周期后DFL损失出现显著波动，并伴有向上发散趋势，表明未完全收敛。
为进一步评估
讨论
所提出的YOLOv8-SLL-Road模型有效解决了基于探地雷达的道路缺陷检测中的关键挑战，包括非均匀介质引起的低信噪比条件、多样的缺陷类型、多尺度特征输入以及嵌入式系统的效率要求。引入的C2f-SCConv模块通过抑制空间冗余和重新校准通道特征来增强特征表示。同时，LSKA机制在保持计算效率的同时扩展了
结论
我们提出了YOLOv8-SLL-Road，一种高效准确的增强型轻量化网络，用于利用探地雷达数据进行道路缺陷检测。主要贡献包括：
- (1)
一种轻量级特征重构模块（C2f-SCConv），通过空间和通道重构有效抑制特征图噪声和冗余信息，增强关键缺陷特征的表示，并降低计算负担。
- (2)
一种多尺度特征增强机制（LSKA），显著提高
关于在稿件准备过程中使用生成式AI和AI辅助技术的声明
在撰写本工作期间，作者使用ChatGPT来改善稿件的语言、语法和可读性。作者根据需要审查和编辑了输出内容，并对已发表文章的内容承担全部责任。
CRediT作者贡献声明
陈成：写作——审阅与编辑，项目管理，概念化。何丽：写作——初稿，可视化，数据管理。陶晓：方法论，资金获取，形式分析。冯德山：验证，调查。王迅：验证，方法论，形式分析。罗爽：可视化，验证。严文秀：资源，形式分析。
利益冲突声明
作者声明，他们没有已知的竞争经济利益或个人关系，可能影响本文所报告的工作。
作者声明，不存在可被视为潜在竞争利益的关系。
致谢
本研究得到了中国电建集团科技项目、国家自然科学基金（批准号：42474191和42474196）、湖南省自然科学基金（批准号：2025JJ40033）、湖南省科技计划（批准号：2026AQ2009）的资助。
陈成|何丽|陶晓|冯德山|王迅|罗爽|严文秀
