基于探地雷达数据的YOLO与扩散网络地下管道检测对比研究——案例分析与性能评估

《Scientific Reports》：YOLO vs. diffusion networks for underground pipe detection: a case study using ground penetrating radar data

　　

地下管道的精确检测与定位对城市规划及基础设施韧性至关重要，这一过程有助于防止灾难性故障、减少服务中断并维护公共工程项目的结构完整性。探地雷达（GPR）是实现地下设施自动检测与精确定位的重要技术手段。然而，当前依赖人工数据解读的方式构成主要瓶颈，往往导致高昂的时间与运营成本。为此，本研究通过分析两种不同的深度学习架构——YOLO（You Only Look Once）与基于扩散（Diffusion）的神经网络——在自动地下管道检测中的表现，以应对上述局限。研究人员利用特定GPR扫描数据集，采用稳健的五折交叉验证框架评估模型的平均精度均值（mAP50，即交并比为50%时的平均精度）与推理延迟。实验结果表明，基于YOLO的架构在检测精度与实时处理效率之间提供了更优平衡。五折交叉验证显示，YOLO模型的平均mAP50约为80%，其中YOLOv12n架构在独立测试集上表现最优，mAP50达到94%。相比之下，DiffusionDet模型精度较低且延迟显著更高。尽管本研究聚焦于单一场地案例，但研究成果为深度学习架构的选择建立了基础基准，并为未来将这些模型推广至不同地质条件下的适应性研究提供了框架。

一、研究背景、现存问题与研究意义

现代城市基础设施依赖于复杂的地下管网系统，涵盖供水、燃气、污水及通信线路等。这些网络虽对城市功能至关重要，却长期隐蔽于地表之下，给公共工程带来重大安全隐患。不准确的管线测绘可能导致灾难性的基础设施事故，造成巨大的经济损失、服务中断以及对人员和公众的安全风险。随着老化基础设施面临侵蚀、洪水等环境因素的日益加剧的压力，精确可靠的地下空间测绘已成为城市韧性的基石。

探地雷达（GPR）因能穿透多种土壤类型并探测非金属材料，成为识别地下结构的主流传感技术。然而，当前对GPR数据的解读严重依赖人工，这构成了主要瓶颈。GPR数据量庞大且复杂，常达TB级别，需要大量人力专家参与，导致高错误率（在特定城市土壤条件下超过三分之一）。因此，亟需一种能够兼顾高精度与计算效率的自动化、可靠的检测方法。

本研究旨在评估两种主流深度学习架构——YOLO（You Only Look Once）与基于扩散（Diffusion）的神经网络——在自动化检测GPR数据集中的地下管道方面的性能。研究的核心目标是解决检测性能与推理速度之间的基本权衡问题。扩散模型擅长稳健特征提取和高保真生成，但其计算需求可能阻碍实时部署；而YOLO架构专为高速推理设计，但在复杂信号环境中可能遇到困难。通过对比这两种架构，本研究旨在为工业级监测找到精度与效率之间的最佳平衡点。

二、主要关键技术方法

研究人员采用了多阶段信号调理流程，使用ReflexW软件对原始GPR数据进行预处理，包括起始时间调整、去低频漂移滤波、背景去除、能量衰减校正以及运行平均和XY空间滤波，以消除地质噪声和杂波干扰。研究使用了来自埃及Methancon工业石化综合体的现场数据，采用GSSI 200 MHz、300 MHz和800 MHz系统采集，网格间距分别为1米、5米和5米。数据集共包含160个地下管道实例，通过Roboflow平台进行高精度标注，并按剖面分组划分为训练集（约118张，85%）和测试集（约20张，15%）。研究比较了四种深度学习架构：YOLOv8s、YOLOv11m、YOLOv12n以及基于ResNet-50骨干网络的单步DiffusionDet模型。所有模型均采用五折交叉验证进行评估，以衡量其泛化能力。

三、研究结果

1. YOLO模型性能分析

研究人员使用Tesla T4 GPU训练YOLOv8s模型，监测框回归损失、分类损失和分布焦点损失（DFL）。DFL通过将每个坐标离散化为有限数量的区间，优化预测分布与最近两个真实值区间之间的软交叉熵损失，从而实现更精确的定位。训练过程中，这三个损失分量均呈下降趋势，表明模型在学习。

2. 扩散采样步数消融研究

研究人员对DiffusionDet的去噪步数（T）进行了消融实验。结果显示，一步法（T=1）取得了最高的mAP₅₀（89.5%）和最低的推理延迟（179毫秒）。增加采样步数至2步和4步会导致计算开销显著增加（高达82%），而检测质量提升甚微甚至为负。这表明对于GPR管道检测，多步迭代细化的收益递减，一步法是维持高保真检测与实时需求之间平衡的最优工程方案。

3. 数据增强与交叉验证方案

针对YOLO模型，研究人员采用了物理上合理的增强策略，如水平翻转（p=0.5）和轻微亮度变化，同时禁用垂直翻转和旋转以保持深度轴语义。对于DiffusionDet，则应用了多尺度训练、随机裁剪和亮度抖动。为防止过拟合，研究人员采用了基于剖面的五折交叉验证，确保同一GPR剖面不会同时出现在训练集和验证集中。五折交叉验证结果显示，三个YOLO变体（YOLOv8s、YOLOv11m、YOLOv12n）的平均mAP₅₀分别为0.802±0.154、0.801±0.104和0.770±0.117，统计上无显著差异。DiffusionDet的交叉验证mAP₅₀仅为0.508±0.125，精度极低（0.063±0.004）。在独立测试集上，YOLOv12n表现最佳，mAP₅₀达0.94，召回率为1.0000；YOLOv11m的mAP₅₀为0.93，精度-召回率平衡最佳；YOLOv8s的mAP₅₀为0.85，推理延迟最低（25.1毫秒）。DiffusionDet的推理延迟高达145.34毫秒，远高于YOLO模型。

4. 模型视觉对比

定性比较显示，YOLOv12n以0.85的高置信度正确识别了管道；YOLOv8s也以相似置信度正确识别，但产生了额外误报；YOLOv11m置信度相对较低（0.77）；DiffusionDet虽然正确定位，但置信度最低（0.60）。这表明YOLO架构在特征表示和检测置信度方面优于扩散检测范式。

5. 统计分析

研究人员进行了多项互补统计分析。Friedman检验结果为χ2=7.32，p=0.0624，Kendall's W=0.488，表明存在中到大的效应量，但因样本量限制未达显著性阈值。Nemenyi事后检验显示，三个YOLO变体之间无显著差异（p>0.88），而DiffusionDet与YOLO的比较p值接近阈值（0.068-0.316）。Wilcoxon符号秩检验结合Bonferroni校正后，所有比较均未达显著（p_Bonf≥0.375）。值得注意的是，YOLOv11m和YOLOv12n与DiffusionDet的比较均得到W=0，即在所有五折中YOLO均优于DiffusionDet，这是n=5情况下能达到的最极端结果。Cohen's d效应量为-2.19，属于非常大的效应量（|d|>0.8），远超大规模效应的阈值，证实了YOLO架构相对于DiffusionDet在实践中的显著优势。

四、讨论与结论

讨论部分指出，统计显著性（p值）与实践显著性之间存在重要区别。Friedman检验的边际p值（0.0624）不应被解读为模型性能等价，而是小样本下非参数检验灵敏度的固有局限。Wilcoxon检验中W=0的结果，结合非常大的Cohen's d效应量（-2.19），共同提供了YOLO架构在实践中显著优于DiffusionDet的稳健证据。三个YOLO变体在交叉验证中统计不可区分，因此模型选择应基于独立测试集结果，其中YOLOv12n在mAP₅₀（0.94）、完美召回率和推理延迟（28.9毫秒）方面表现出最佳综合性能。DiffusionDet的低性能归因于其作为密集提案生成式检测框架，需要更大训练数据量来学习反向扩散过程以实现精确的边界框细化。

研究结论翻译如下：

本研究评估了YOLO架构与DiffusionDet扩散框架在探地雷达（GPR）数据中自动检测地下设施的效能。在严格的五折交叉验证下，三个YOLO架构——YOLOv8s、YOLOv11m和YOLOv12n——展现出可比且统计上不可区分的检测性能，mAP₅₀值分别为0.802±0.154、0.801±0.104和0.770±0.117，证实了在不同数据分区上的稳健泛化能力。独立测试集评估进一步揭示了细微差异：YOLOv12n实现了最高mAP₅₀（0.94）和完美召回率（1.0000），使其成为安全关键型部署场景中最合适的选择，在此类场景中最小化漏检是首要操作要求。YOLOv11m的测试mAP₅₀为0.93，具备最佳精度-召回率平衡和较高的mAP_50-95（0.3953），表明其在更严格的重叠标准下具有优越的定位质量。YOLOv8s提供有竞争力的性能（测试mAP₅₀=0.85）和最低推理延迟（25.1毫秒），适用于计算受限的部署环境。DiffusionDet虽展示了特征提取能力，但交叉验证mAP₅₀仅为0.508±0.125，且推理延迟显著更高，在本研究的数据约束下限制了其实时部署的可行性。这些发现确立了YOLO架构作为基于GPR的地下设施检测的稳健且可投入生产的框架，同时强调数据集扩展是提高该领域扩散检测器性能的最具影响力的途径。这项工作为深度学习集成到地下设施管理提供了技术路线图，平衡了检测完整性、定位质量与实时现场操作的实践约束。